桑迪亚国家实验室开发的机器学习算法可以为汽车制造、航空航天和其他行业提供一种更快、更具成本效益的测试散装材料的方法。

这项技术最近发表在科学期刊《材料科学与工程：A》上。

停产代价高昂。因此，制造商在使用金属板等材料之前会对其进行可成形性筛选，以确保材料在冲压、拉伸和拉伸成不同零件时不会开裂。该论文的主要作者、桑迪亚大学的科学家戴维·蒙特斯·德奥卡·扎皮亚因说，制造公司经常使用根据各种机械测试结果校准的商业模拟软件，然而，这些测试可能需要几个月才能完成。

虽然某些高保真计算机模拟可以在短短几周内评估成型性，但大部分公司需要使用超级计算机和专业技术来运行它们。

Sandia已经证明，机器学习可以大大减少校准商业软件的时间和资源，因为该算法不需要来自机械测试的信息，这种方法也不需要超级计算机。此外，它还为更快地进行研究和开发开辟了一条新的道路。

Montes de Oca Zapiain说：“你可以有效地使用这种算法，在不牺牲安全性或准确性的情况下，以最少的资源找到可能更轻的材料。”

算法取代了机械测试

机器学习算法MAD3发音为“mad cubed”，是材料数据驱动设计的缩写，之所以有效，是因为金属合金是由微观的、所谓的“晶体学”晶粒组成的。总的来说，这些颗粒形成了一种纹理，使金属在某些方向上比其他方向更坚固，这一现象被研究人员称为机械各向异性。

蒙特斯·德奥卡·扎皮亚因说：“我们对模型进行了训练，以了解晶体结构和各向异性机械响应之间的关系。你需要一台电子显微镜来获得金属的纹理，但你可以将这些信息输入算法，它可以预测你需要的数据，而无需进行任何机械测试。”

Sandia与俄亥俄州立大学合作，使用一种称为前馈神经网络的技术，根据54000个模拟材料测试的结果对算法进行训练。Sandia团队随后向该算法展示了20000个新的微结构，以测试其准确性，并将该算法的计算结果与从实验和基于超级计算机的模拟中收集的数据进行了比较。

Sandia的科学家Hojun Lim说：“与高保真模拟相比，开发的算法速度快约1000倍。我们正在积极改进模型，采用先进的功能捕捉各向异性的演变，因为这对于准确预测材料的断裂极限是必要的。”世卫组织也为这项研究做出了贡献。

作为国家安全实验室，Sandia正在进行进一步研究，以探索该算法是否可以缩短美国核储备的质量保证过程。在美国核储备中，材料必须符合严格的标准，才能用于生产。国家核安全局通过高级模拟和计算项目资助了机器学习研究。

为了使其他机构能够利用这项技术，Sandia组建了一个跨学科团队，开发用户友好、基于图形的材料数据驱动设计软件。它是根据能源部能源I-Corps项目对潜在用户进行的超过75次采访的输入开发的。