据外媒报道，美国理海大学（Lehigh University）研究团队开发出突破性方法，可以识别异常晶粒生长的早期预警信号，有助于打造更坚固、更有弹性的金属和陶瓷，以用于航空航天、制造业及其他领域。相关论文发表于期刊《自然·计算材料（Nature Computational Materials）》，其中描述了一种创新机器学习方法。

（图片来源：理海大学）

该团队首次在仿真多晶材料中成功预测异常晶粒生长，这一突破有望为内燃机等高应力环境开发更强韧、更可靠的材料。该论文合著者、计算机科学与工程系副教授Brian Y. Chen表示：“我们通过仿真（simulation），不仅可以预测异常晶粒生长，而且能提前‌发出预警。在我们观察的案例（占86%）中，研究人员能在材料寿命周期的‌前20%时间段‌内预测特定晶粒是否会发生异变。”

当持续暴露在高温下（例如火箭或飞机发动机产生的高温）时，金属和陶瓷可能会失效。这类材料由晶体或晶粒构成，受热时原子迁移导致晶体生长或收缩。当一些晶粒相对于邻近晶粒异常增大时，可能会改变材料的性质，例如原本具有一定柔韧性的材料可能会变脆。Chen表示：“在材料设计中，我们必须主动规避异常晶粒生长。”

更智能的筛选稳定材料的方法

然而，目前预测异常晶粒生长犹如“大海捞针”。创建给定合金的过程可能涉及无数的元素组合与浓度配比，若对这些金属逐一进行验证，既昂贵又耗时，而且通常不切实际。该团队开发了‌计算机仿真（computational simulation）系统，‌可以快速筛除易出现异常晶粒生长的材料组合，从而缩小可能性范围。

Chen表示：“我们的研究结果具有重要意义，因为如果你想观察一堆不同的材料，肯定不希望耗费太长时间对每一种材料进行仿真，然后才能知道是否会发生异常晶粒生长。你应尽可能缩短仿真时间，然后再继续下一步。”

挑战在于，异常晶粒生长是一种罕见现象，而且早期异变晶粒看起来与其他晶粒一样。

利用人工智能解锁隐藏模式

为解决这一难题，该团队开发了一种深度学习模型，结合两种技术来分析晶粒逐渐演变的趋势及其相互作用。长短期记忆（LSTM）网络对如何评估材料的属性或特征进行仿真，图基卷积网络（GCRN）则用于建立数据间的关联关系，以实现预测功能。

研究团队最初仅期望实现基本的成功预测，但令人意外的是，该模型展现出超前的预测能力。Chen表示：“我们曾担心数据噪声可能过大。或者所观察到的属性无法有效反映远期异常信息，或许在即将发生异常时才显现，那时甚至肉眼也能看清。然而，令人惊喜的是，我们竟然能够提前这么长时间做出预测。”

实现早期检测的关键在于，利用仿真来检测晶粒在发生异常前随时间变化的特性。Chen表示：“理解晶粒异变的更佳方式是，思考它们在变化之前是如何演化的。例如，在异变发生前的1000万时间步长，它们的某些特性可能与4000万时间步长时不同。”

该团队将每次仿真与晶粒出现异常的时间点进行对齐，并反向研究其演变特性。通过识别这些特性的一致趋势，研究人员能够准确预测哪些晶粒会变得异常。Chen表示：“如果你从转变前的时间角度来观察晶粒，就会发现具有预测价值的共性趋势。”

在这个项目中，该团队对真实材料进行了仿真研究。下一阶段，他们将把这种方法应用于真实材料图像，以观察它们是否仍能准确预测未来。Chen表示，项目最终目标是找到高度稳定、能够在各种高温、高应力条件下保持其物理特性的材料。在发动机及相关部件中使用这样的材料，可使其在更高的温度下运行更长时间。

该团队认为，除了材料科学领域，这种创新机器学习方法还具有预测外其他罕见事件的潜力，因其能够识别复杂系统中的报警信号。例如，该方法或可帮助预测材料相变、导致危险病原体的突变，以及大气条件突变。

该论文合著者Martin Harmer表示：“这项研究为材料研究人员展望未来开辟了令人兴奋的新可能性，使他们能够以前所未有的方式预测材料结构的未来演变趋势。该方法将对国防、航空航天和商业应用的可靠材料设计产生重大影响。”

‌