牛顿可能已经遇到了他的对手。
几个世纪以来，工程师们一直依靠牛顿和其他人开发的物理定律来了解他们所使用的材料的应力和应变。但是解决这些方程可能是一个计算上的难题，特别是对于复杂的材料。
麻省理工学院的研究人员已经开发出一种技术，可以根据显示材料内部结构的图像快速确定材料的某些属性，如应力和应变。这种方法有朝一日可以消除对基于物理学的艰巨计算的需要，而是依靠计算机视觉和机器学习来实时产生估计。
研究人员说，这一进展可以使设计原型和材料检查更快。杨振泽说："这是一种全新的方法，"他补充说，该算法 "在没有任何物理学领域知识的情况下完成了整个过程"。
这项研究今天发表在《科学进展》杂志上。杨振泽是该论文的主要作者，也是材料科学与工程系的博士生。共同作者包括麻省理工学院前博士后余志华和麦卡菲工程教授、原子和分子力学实验室主任Markus Buehler。
工程师们花了很多时间来解决方程问题。它们有助于揭示一种材料的内力，如应力和应变，这可能导致该材料变形或断裂。这样的计算可能表明，一座拟建的桥梁将如何在沉重的交通负荷或大风中支撑起来。与艾萨克爵士不同，今天的工程师不需要用纸和笔来完成这项任务。"Buehler说："许多代数学家和工程师已经写下了这些方程式，然后想出了如何在计算机上解决它们。"但这仍然是一个棘手的问题。它非常昂贵--运行一些模拟可能需要几天、几周、甚至几个月。因此，我们想。让我们教一个人工智能来为你做这个问题。"
研究人员转向了一种叫做生成对抗神经网络的机器学习技术。他们用数以千计的配对图像来训练该网络--一张描述了受机械力作用的材料的内部微观结构，另一张描述了同一材料的彩色编码的应力和应变值。有了这些例子，该网络利用博弈论的原理，反复计算出材料的几何形状和其产生的应力之间的关系。
"Buehler说："因此，从一张图片中，计算机能够预测所有这些力量：变形、应力，等等。"这是真正的突破--在传统的方法中，你需要编码方程并要求计算机解决偏微分方程。我们只是从图片到图片"。
这个可视化图显示了深度学习方法在预测给定的不同输入几何形状的物理场时的表现。左图显示了复合材料的不同几何形状，其中软质材料正在拉长，右图显示了与左图中的几何形状相对应的预测机械场。
这种基于图像的方法对复杂的复合材料特别有利。材料上的力在原子尺度上的运作可能与宏观尺度上的运作不同。"如果你看一架飞机，你可能有胶水、金属和聚合物在中间。所以，你有所有这些不同的面和不同的尺度来决定解决方案，"布勒说。"如果你走硬路--牛顿路--你必须走一个巨大的弯路才能得到答案。"
但研究人员的网络善于处理多种尺度。它通过一系列的 "卷积 "来处理信息，在逐渐增大的尺度上分析图像。"Buehler说："这就是为什么这些神经网络非常适用于描述材料特性。
经过充分训练的网络在测试中表现良好，成功地呈现了各种软质复合材料的微观结构的一系列特写图像的应力和应变值。该网络甚至能够捕捉到 "奇异点"，如材料中出现的裂缝。在这些情况下，力和场在微小的距离上迅速变化。"Buehler说："作为一个材料科学家，你会想知道这个模型是否能重现这些奇异点。"而答案是肯定的"。
这个可视化图显示了通过基于机器学习的方法模拟复杂材料的失效，而没有解决力学的管理方程。红色代表软性材料，白色代表脆性材料，绿色代表裂缝。
没有参与这项研究的伦斯勒理工学院机械工程师Suvranu De说，这一进展可以 "大大减少设计产品所需的迭代"。"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。它还将在纯科学探索领域产生重大应用，因为力在从微/纳米电子学到细胞的迁移和分化等一系列令人惊讶的应用中起着关键作用。"
除了节省工程师的时间和金钱外，这项新技术还可以让非专业人士获得最先进的材料计算方法。例如，建筑师或产品设计师可以在将项目交给工程团队之前测试他们想法的可行性。"Buehler说："他们可以直接画出他们的方案并找出答案。"这是一件大事"。
一旦经过训练，该网络几乎可以在消费级计算机处理器上即时运行。这可以使机械师和检查员仅仅通过拍照就能诊断出机器的潜在问题。
在这篇新论文中，研究人员主要用复合材料工作，这些材料包括各种随机几何排列的软性和脆性部件。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。"用人工智能增强工程师的能力，这确实是我们在这里要做的。
这项研究的资金部分由陆军研究办公室和海军研究办公室提供。
