机器学习算法有时可以在人类专业知识中获得更好的工作，至少在材料科学领域。
在科学、工程和医学的许多专门领域，研究人员正转向机器学习算法来分析数据集，这些数据集已经变得过大，人类无法理解。在材料科学领域，这样的努力可能会加速下一代先进功能材料的设计，这些材料的开发目前依赖于老式的试错法。
然而，从其他研究领域借鉴的数据分析技术本身往往无法提供帮助材料科学家和工程师在众多变量中选择调整所需的洞见，也无法解释诸如在过程中引入新化合物等重大变化。在一些复杂的材料中，如铁电材料，多达10个不同的因素可以影响最终产物的性能。
在《NPJ计算材料》(NPJ Computational Materials)杂志上发表的一篇论文中，研究人员解释了如何让机器在解决这一挑战方面具有优势，方法是根据人类对哪些因素可能是重要的和相关的知识，智能地组织待分析的数据。这项技术被称为维度叠加，它表明，在机器智能时代，人类经验仍可发挥作用。
该研究由国家科学基金会和国防威胁减少机构以及瑞士国家科学基金会赞助。部分地分为田纳西州橡树岭的橡树岭国家实验室进行了测量。
“When your machine accepts strings of data, it really does matter how you are putting those strings together,” said Nazanin Bassiri-Gharb, the paper’s corresponding author and a professor in the George W. Woodruff School of Mechanical Engineering at the Georgia Institute of Technology. “We must be mindful that the organization of data before it goes to the algorithm makes a difference. If you don’t plug the information in correctly, you will get a result that isn’t necessarily correlated with the reality of the physics and chemistry that govern the materials.”
Nazanin basri - gharb教授和Lee Griffin博士讨论了通过改进的原子力显微镜(即压响应力显微镜)获得的单晶的机电振幅响应。（照片：Rob Felt，Georgia Tech）
bas西里-加布的工作是研究铁电材料，这种晶体材料表现出自发的电极化，可通过外部电场进行切换。由于它们的压电特性而被广泛使用，压电特性使电输入产生机械输出，并使机械运动产生电压。它们的化学公式通常很复杂，包括铅、锰、铌、氧、钛、铟、铋和其他元素。
研究人员数十年来一直致力于改进这种材料，他们希望开发出不含铅的先进铁电体。但反复试验设计技术没有重大突破,而她想要的不仅仅是一个更直接的方法——也可以更迅速地导致改善其他功能材料应用于微电子、电池、光电系统和其他重要的研究领域。
“对于材料科学，事情变得非常复杂，特别是用功能材料，”Bassiri-Gharb说。“作为材料科学家，如果我们不明白为什么会增加原因，难以设计材料。我们已经了解到，功能不包括划分。它们在材料的许多属性中相互关联。“
本文中描述的技术涉及预处理步骤，其中大数据集根据物理或化学性质来组织，从而对材料科学家有意义。
“作为一名科学家或工程师，你知道它们之间是否存在物理或化学关联，”她解释道。“你必须认识到可能存在什么样的相关性。要分析的数据的堆叠方式会影响到物理或化学相关性。如果你能正确地做到这一点，你就能从任何可能使用的数据分析方法中获得更多信息。”
为了测试这些技术，bassirig - gharb和他的合作者Lee Griffin, Iaroslav Gaponenko和Shujun Zhang测试了用于先进超声成像设备的弛缓铁电材料样品。格里芬是佐治亚理工学院的研究生研究助理，也是这篇论文的共同第一作者，他进行了实验测量。澳大利亚伍伦贡大学的研究人员张为这项研究提供了样本。basri - gharb和她所在小组的研究人员Gaponenko开发了这种方法。
格鲁吉亚科技博士。候选Lee Griffin将单晶样品放在修饰原子力显微镜（即压电响应力显微镜）的测量阶段。（照片：Rob Felt，Georgia Tech）
在原子力显微镜上使用导电尖端，它们检查了一系列化学相关样品的机电响应，在每个样品上建立的点网格上产生多达2,500的时间和电压依赖性测量。该过程产生了数十万个数据点，并为堆叠方法提供了良好的测试，从技术上被称为级联。
她说:“我们不是只研究能提供最高反应的化学成分，而是研究一系列成分，并试图找出共性。”“我们发现，如果我们将这些数据与背后的一些思维过程结合起来，我们就可以更多地了解这些有趣的材料。”
在他们的发现中：虽然材料是单晶，功能反应显示出高度无序的行为，使得包括像玻璃一样的完全无序的材料。“这种玻璃状行为真的突然持续超出了一小部分材料组合物，”巴西里 - 格拉尔说。“它持续存在我们所看到的所有组合物。”
她希望这项技术最终能带来改善许多材料及其功能的信息。知道需要包含哪些化学物质可以让材料科学家进入下一个阶段——与化学家一起把正确的原子放在正确的地方。
她说:“对于任何材料的功能来说，最大的目标是找到能够提供我们想要的性能的指导方针。”“我们希望为下一代的这些材料找到最佳的合成途径。”
这项研究得到了美国国家科学基金会(NSF)的DMR-1255379的支持，国防威胁减少局(DTRA)的HDTRA1-15-0035的支持，佐治亚理工学院先进材料和界面科学技术中心(STAMI)的支持。瑞士国家科学基金二部，项目编号200021_178782。压电响应测量部分是在橡树岭国家实验室的纳米相材料科学中心完成的，该中心是美国能源部科学用户设施办公室。在本材料中表达的任何意见、发现、结论或建议都是作者的观点，并不一定反映主办组织的观点。
引文：Lee A. Griffin等，“智能机器学习或通过尺寸堆叠发现有意义的物理和化学贡献”（NPJ计算材料，2019年，https://rdcu.be/bOycU)．
佐治亚理工学院
www.gatech.edu
了下:航空航天+防御，AI•机器学习
