实时捕获3D微结构

材料的现代科学研究在很大程度上依赖于在原子和分子尺度上探索其行为。因此，科学家们一直在寻找新的和改进的方法来在这些规模上进行数据收集和材料分析。

位于能源部(Arge)国家实验室的美国能源部(DOE)科学用户设施办公室纳米级材料中心(CNM)的研究人员发明了一种基于机器学习的算法，该算法可在三个维度上对材料进行定量表征。特征小至纳米。研究人员可以将这一关键发现应用于对行业感兴趣的大多数结构材料的分析。

“使我们的算法与众不同的是，如果您从对微观结构基本不了解的材料开始，它将在几秒钟内告诉用户所有三个维度的确切微观结构，”该小组负责人Subramanian Sankaranarayanan说。 CNM理论与建模小组，芝加哥伊利诺伊大学机械与工业工程系副教授。

CNM博士后研究员和该研究的主要作者亨利·陈说：“例如，通过我们的3D工具分析数据，用户可以检测到各种结构材料的断层和裂缝，并有可能预测在不同应力和应变下的寿命。”

大多数结构材料是多晶的，这意味着用于分析目的的样品可能包含数百万个晶粒。这些晶粒的尺寸和分布以及样品中的空隙是影响重要物理，机械，光学，化学和热学性质的关键微观结构特征。例如，这些知识对于发现具有所需特性的新材料(例如，使用寿命更长的更硬和更硬的机器部件)非常重要。

过去，科学家通过在许多2D切片的微观尺度上拍摄快照，处理单个切片，然后将它们粘贴在一起以形成3D图片，来可视化材料中的3D微观结构特征。例如，在医院中执行计算机断层扫描程序就是这种情况。但是，该过程效率低下，并导致信息丢失。因此，研究人员一直在寻找更好的3D分析方法。

CNM的助理科学家Mathew Cherukara说：“起初，我们考虑设计一种基于截距的算法，以搜索样品中众多晶粒之间的所有边界，直到在三个维度上绘制整个微观结构为止，但是您可以想象，拥有数百万个谷物，这是非常耗时且效率低下的。”

“我们的机器学习算法的优点在于，它使用无监督算法来处理边界问题，并以高效率产生高度准确的结果，” Chan说。“与下采样技术相结合，处理大型3D样本并获得精确的微观结构信息只需几秒钟，而这些信息是鲁棒的并且对噪声具有弹性。”

该团队通过与几种不同金属(铝，铁，硅和钛)和软材料(聚合物和胶束)的分析数据进行比较，成功地测试了该算法。这些数据来自较早发表的实验以及在两个美国能源部科学用户办公室，阿贡国家领导力计算设施和国家能源研究科学计算中心运行的计算机模拟。这项研究还使用了位于阿贡的实验室计算资源中心和位于CNM的Carbon Cluster。

Sankaranarayanan说：“对于使用我们工具的研究人员而言，主要优势不仅在于生成的令人印象深刻的3D图像，而且更重要的是，详细的表征数据。”“他们甚至可以在微观上实时定量地观察和跟踪微观结构的演变。”

机器学习算法不限于实体。该团队将其扩展到包括表征具有重要能量，化学和生物应用的流体中分子簇的分布。

这种机器学习工具对于从大型材料表征设施(例如高级光子源，阿贡大学另一家DOE科学用户设施办公室)以及全球其他同步加速器等获得的数据的未来实时分析尤其有用。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！