导读 艾萨克·牛顿可能遇到了他的对手。几个世纪以来，工程师一直依靠牛顿等人开发的物理定律来理解所使用的材料所承受的压力和压力。但是求解这

艾萨克·牛顿可能遇到了他的对手。几个世纪以来，工程师一直依靠牛顿等人开发的物理定律来理解所使用的材料所承受的压力和压力。但是求解这些方程可能是一个计算难题，尤其是对于复杂的材料。

麻省理工学院的研究人员已经开发出一种技术，可以根据显示其内部结构的图像来快速确定材料的某些特性，例如应力和应变。该方法有一天可以消除对繁琐的基于物理的计算的需求，而是依靠计算机视觉和机器学习来实时生成估计值。

研究人员说，这一进展可以加快设计原型设计和材料检查的速度。杨振泽说：“这是一种全新的方法，并补充说，该算法“无需任何物理领域的知识即可完成整个过程。”

这项研究今天发表在《科学进展》杂志上。杨是该论文的主要作者和博士学位。材料科学与工程系的学生。合著者包括前麻省理工学院博士后余志华和Markus Buehler，迈克菲工程学院教授，​​原子与分子力学实验室主任。

工程师花费大量时间来求解方程式。它们有助于揭示材料的内力，例如应力和应变，这些内力会导致材料变形或破裂。这样的计算可能表明拟议中的桥梁在繁忙的交通负荷或大风中将如何保持住。与艾萨克爵士不同，今天的工程师不需要笔和纸来完成这项任务。“许多代的数学家和工程师已经写下了这些方程，然后想出了如何在计算机上求解它们的方法，” Buehler说。“但这仍然是一个棘手的问题。它非常昂贵-运行某些模拟可能需要几天，几周甚至几个月的时间。因此，我们认为：让我们教一门AI为您解决这个问题。”

研究人员转向了一种称为“生成对抗神经网络”的机器学习技术。他们用成千上万张成对的图像训练了网络-一幅图像描绘了材料在机械力作用下的内部微观结构，另一幅图像描绘了该材料用颜色编码的应力和应变值。在这些示例中，网络使用博弈论原理反复计算出材料的几何形状与其所产生的应力之间的关系。

“因此，从图片中，计算机能够预测所有这些力：变形，应力等，” Buehler说。“这确实是突破，以传统方式，您需要对方程进行编码，并要求计算机求解偏微分方程。我们只是一图一画。”

这种基于图像的方法对于复杂的复合材料特别有利。材料上的力在原子尺度上的作用可能不同于在宏观尺度上的作用。Buehler说：“如果您看着飞机，之间可能会有胶水，金属和聚合物。因此，所有这些不同的面和比例决定了解决方案。” “如果你走牛路之类的艰辛路，就必须走大弯路才能得到答案。”

但是研究人员的网络善于应对多种规模。它通过一系列“卷积”处理信息，这些卷积以越来越大的比例分析图像。“这就是为什么这些神经网络非常适合描述材料特性，” Buehler说。

经过充分训练的网络在测试中表现良好，通过一系列各种软复合材料微观结构的特写图像，成功绘制了应力和应变值。该网络甚至能够捕获“奇异点”，例如材料中出现的裂缝。在这些情况下，力和场会在很小的距离内快速变化。“作为材料科学家，您可能想知道模型是否可以重现这些奇异之处，” Buehler说。“答案是肯定的。”

没有参与这项研究的伦斯勒理工学院机械工程师Suvranu De表示，这种进步可以“显着减少设计产品所需的迭代次数”。“本文提出的端到端方法将对各种工程应用产生重大影响，从汽车和飞机工业中使用的复合材料到天然和工程生物材料。它还将在纯净领域中具有重要应用。科学的探索，因为力量在从微/纳米电子到细胞迁移和分化的广泛应用中起着至关重要的作用。”

除了节省工程师的时间和金钱之外，新技术还可以使非专家可以访问最新的材料计算。例如，建筑师或产品设计师可以在将项目传递给工程团队之前测试其想法的可行性。布勒说：“他们可以提出他们的建议并找出来。” “这很重要。”

经过培训后，网络几乎可以在消费者级计算机处理器上即时运行。这可以使机械师和检查员仅通过拍照即可诊断出机械的潜在问题。

在新论文中，研究人员主要研究复合材料，其中包括各种随机几何排列中的软性和脆性成分。在未来的工作中，该团队计划使用更广泛的材料类型。“我真的认为这种方法将产生巨大的影响，” Buehler说。“实际上，我们要在AI中为工程师赋能。”