?盡管如今的生活中充滿了驚人的技術(shù)進步，但支撐這些發(fā)展的金屬的使用方式在數(shù)千年里都沒有顯著改變。從為汽車和卡車提供形狀、強度和燃油經(jīng)濟性的金屬棒、金屬管和立方體，到為從電廠到海底電纜的所有東西輸送電能的電線，一切都是如此。

但是情況正在迅速變化：材料制造業(yè)正在使用全新創(chuàng)新技術(shù)、過程和方法來改進現(xiàn)有的產(chǎn)品和創(chuàng)造新的產(chǎn)品。美國太平洋西北國家實驗室(PNNL)是這一領(lǐng)域的領(lǐng)導者，被稱為先進制造。PNNL成立于1965年，利用其在化學、地球科學、生物學和數(shù)據(jù)科學方面的獨特優(yōu)勢，促進科學知識，應(yīng)對可持續(xù)能源和國家安全方面的挑戰(zhàn)。

在PNNL的“科學中的人工智能推理”項目中工作的科學家們，利用人工智能的分支機器學習開創(chuàng)了設(shè)計和訓練計算機軟件的方法，以指導新的制造工藝的開發(fā)。

這些軟件程序經(jīng)過訓練，可以識別制造數(shù)據(jù)中的模式，并使用這種模式識別能力來推薦或預(yù)測制造過程中的設(shè)置，這些設(shè)置將產(chǎn)生性能改善的材料，比使用傳統(tǒng)方法生產(chǎn)的材料更輕、更強或更導電。

PNNL的材料科學家Keerti Kappagantula說:“我們用先進的制造工藝制造的組件對工業(yè)企業(yè)非常有吸引力，他們希望看到這些技術(shù)盡快推出?！?/p>

一個挑戰(zhàn)是，在先進制造技術(shù)的基礎(chǔ)物理和其他復雜性得到充分充實和驗證之前，行業(yè)合作伙伴不愿投資于新技術(shù)。

為了彌補差距，Kappagantula與PNNL的數(shù)據(jù)科學家Henry Kvinge和Tegan Emerson合作開發(fā)機器學習工具，預(yù)測制造過程中的各種設(shè)置如何影響材料性能。這些工具還以可視化的方式展示了預(yù)測，為行業(yè)合作伙伴和其他人提供了即時的清晰和理解。

通過使用這些機器學習工具，該團隊相信從實驗室到工廠的時間可以縮短到幾個月，而不是幾年。在工具預(yù)測的指導下，材料科學家只需要進行少量的實驗，而不是幾十個，就可以確定未來材料特性。例如，什么設(shè)置可以導致鋁管達到預(yù)期性能。

Kvinge說:“我們的目標是將機器學習作為一種工具，幫助指導正在運行先進制造過程的人在他們的設(shè)備上嘗試不同的設(shè)置——不同的工藝參數(shù)——以找到一個讓他們實現(xiàn)他們實際想要實現(xiàn)的目標?！?/p>

解決正確的問題

在傳統(tǒng)的制造中，計算機模型建立在對制造過程的物理學非常了解的基礎(chǔ)上，展示了不同的設(shè)置如何影響材料的性能。Kappagantula說，在先進的制造業(yè)中，人們對物理學知之甚少。如果沒有這種專業(yè)理解，生產(chǎn)就會推遲。

新的先進制造人工智能工具項目旨在確定如何利用機器學習來提取工藝參數(shù)和產(chǎn)生的材料屬性之間的模式，這為先進制造技術(shù)的底層物理提供了洞察，并可以加速它們的部署。

“我們采取的方法，統(tǒng)一的主題，從理解材料科學家如何運用他們專業(yè)知識以及他們有什么心智模式?然后用它作為構(gòu)建模型的框架?！盞vinge說。

在這個項目中需要一個機器學習模型，在給定特定參數(shù)的情況下預(yù)測材料的性能。在與材料科學家的磋商中，他很快了解到，他們真正想要的是能夠指定一種特性，并有一個模型建議所有可用于實現(xiàn)該特性的工藝參數(shù)。

一個可說明的解決方案

Kappagantula和她的同事需要的是一個機器學習框架，它可以提供結(jié)果，幫助她的團隊做出下一步嘗試什么實驗的決定。在缺乏這種指導的情況下，調(diào)整參數(shù)以開發(fā)具有所需性能的材料的過程是充滿失敗風險。

在這個項目中，Kvinge和他的同事們首先開發(fā)了一個名為“差別屬性分類”的機器學習模型，該模型利用機器學習的模式匹配能力來區(qū)分兩組工藝參數(shù)，以確定哪一組更有可能產(chǎn)生具有所需屬性的材料。

該模型允許材料科學家在開始實驗之前鎖定最佳參數(shù)，這可能會花費昂貴，需要大量的準備工作。

Kappagantula說，在進行機器學習模型推薦的實驗之前，她需要相信模型的推薦?！拔蚁Ｍ軌蚩吹剿侨绾芜M行分析的?！?/p>

這個概念在機器學習領(lǐng)域被稱為可解釋性，對不同領(lǐng)域的專家有不同的含義。Kvinge指出，對于數(shù)據(jù)科學家來說，對機器學習模型如何得出預(yù)測的解釋可能與對材料科學家有意義的解釋完全不同。

當Kvinge、Emerson和他們的同事在處理這個問題時，他們試圖從材料科學家的思維框架來理解它。

Kvinge說:“事實證明，他們通過這些材料微觀結(jié)構(gòu)的圖片非常了解這一點?！薄叭绻銌査麄兡睦锍隽藛栴}，為什么實驗不順利，或者為什么進行得很順利，他們會看著圖片，向你指出問題，說這些顆粒尺寸太大了，或太小了，或諸如此類的問題?！?/p>

為了使他們的機器學習模型的結(jié)果具有可解釋性，Kvinge、Emerson和同事們使用了先前實驗中的微結(jié)構(gòu)圖像和相關(guān)數(shù)據(jù)來訓練一個模型，該模型生成微結(jié)構(gòu)圖像，這些圖像將由一組給定的參數(shù)調(diào)整的制造過程產(chǎn)生。

該團隊目前正在驗證該模型，并致力于使其成為軟件框架的一部分，材料科學家可以使用該框架來確定進行哪些實驗，同時開發(fā)承諾改變材料生產(chǎn)和性能的先進制造技術(shù)。

Kappagantula在談到先進制造業(yè)時表示:“這不僅僅是在提高能源效率，它還開啟了新材料從未見過的特性和性能?！?