马萨诸塞州坎布里奇——对于开发新材料或防护涂层的工程师来说，有数十亿种不同的可能性需要梳理。实验室测试甚至详细的计算机模拟来确定它们的确切属性，例如韧性，对于每种变化可能需要几个小时、几天或更长时间。现在，麻省理工学院开发的一种基于人工智能的新方法可以将这一时间缩短到几毫秒，从而使筛选大量候选材料变得可行。

麻省理工学院的研究人员希望该系统可以用于开发更强的保护涂层或结构材料——例如，保护飞机或航天器免受撞击——在杂志上的一篇论文中进行了描述事，由麻省理工学院土木与环境工程教授、系主任Markus J. Buehler博士后余志华(Chi-Hua Yu，音译)和国立台湾大学徐玉川(Yu- chuan Hsu)共同完成。

这项工作的重点是通过分析材料分子结构中裂纹的扩展来预测材料断裂或断裂的方式。Buehler和他的同事花了多年时间详细研究裂缝和其他失效模式，因为了解失效过程是开发坚固可靠材料的关键。Buehler说:“我实验室的专长之一是使用我们所谓的分子动力学模拟，或者基本上是原子对原子的模拟。”

他说，这些模拟提供了压裂如何发生的化学准确描述。但它很慢，因为它需要求解每个原子的运动方程。“模拟这些过程需要很多时间，”他说。该团队决定探索使用机器学习系统简化这一过程的方法。

他说:“我们有点走弯路了。“我们一直在问，如果你只是观察(在给定的材料中)断裂是如何发生的，并让计算机学习这种关系本身会怎样?”要做到这一点，人工智能(AI)系统需要各种各样的例子作为训练集，以了解材料的特性与其性能之间的相关性。

在这种情况下，他们研究的是由晶体材料制成的各种复合分层涂层。这些变量包括层的组成和有序晶体结构的相对取向，以及基于分子动力学模拟的这些材料对压裂的反应方式。比勒说:“我们基本上是一个原子一个原子地模拟材料是如何断裂的，并记录下这些信息。”

研究人员煞费苦心地生成了数百个这样的模拟，具有各种各样的结构，并对每个模拟裂缝进行了许多不同的模拟。然后，他们将所有这些模拟的大量数据输入人工智能系统，看看它是否能发现潜在的物理原理，并预测一种不属于训练集的新材料的性能。

它确实做到了。“这真是令人兴奋的事情，”比勒说，“因为通过人工智能进行计算机模拟，可以使用分子动力学或有限元模拟完成通常需要很长时间的工作，这是工程师解决这个问题的另一种方法，而且速度也非常慢。所以，这是一种模拟材料失效的全新方式。”

比勒强调，材料如何失效对于任何工程项目都是至关重要的信息。材料断裂等失效是“任何行业亏损的最大原因之一”。对于检查飞机、火车或汽车，或道路、基础设施、混凝土、钢铁腐蚀，或了解骨骼等生物组织的断裂，使用人工智能模拟断裂的能力，并快速、高效地做到这一点，是真正的游戏规则改变者。”

使用这种方法产生的速度提高是显著的。Hsu解释说:“对于分子动力学中的单个模拟，运行模拟需要几个小时，但在这个人工智能预测中，只需要10毫秒就可以从模式中完成所有预测，并显示裂缝是如何一步一步形成的。”

“在过去30年左右的时间里，已经有多种方法来模拟固体中的裂纹扩展，但这仍然是一个可怕的和计算成本高昂的问题，”布朗大学的工程学教授Pradeep guuduru说，他没有参与这项工作。“通过将计算成本转移到训练一个健壮的机器学习算法上，这种新方法可能会产生一种快速且计算成本低廉的设计工具，这对于实际应用来说总是很理想的。”

比勒说，他们开发的方法是相当普遍的。“尽管在我们的论文中，我们只将其应用于一种具有不同晶体取向的材料，但你可以将这种方法应用于更复杂的材料。”虽然他们使用的数据来自原子模拟，但该系统也可以用于在实验数据的基础上进行预测，例如材料破裂的图像。

他说:“如果我们有一种以前从未模拟过的新材料，如果我们有大量压裂过程的图像，我们也可以将这些数据输入到机器学习模型中。”无论输入是模拟的还是实验的，AI系统本质上都是一帧一帧地经历进化过程，注意每个图像与之前的图像有何不同，以便学习潜在的动态。

例如，当研究人员利用麻省理工学院的新设施时。纳米，该研究所的设施致力于在纳米尺度上制造和测试材料，大量的新数据将产生各种合成材料。

Buehler说:“随着我们拥有越来越多的高通量实验技术，这些技术可以以自动化的方式快速生成大量图像，这些数据源可以立即被输入机器学习模型。”“我们真的认为，未来我们会在实验和模拟之间有更多的集成，比过去多得多。”

他说，该系统不仅可以应用于压裂，就像团队在最初的演示中所做的那样，还可以应用于随着时间的推移而展开的各种各样的过程，比如一种材料扩散到另一种材料，或者腐蚀过程。“任何时候，当你有物理场的进化，我们想知道这些场是如何作为微观结构的函数进化的，”他说，这种方法可能是一个福音。

美国海军研究办公室和陆军研究办公室支持这项研究。