一種新方法可以僅基于有關外部條件的數據來提供有關內部結構、空隙和裂縫的詳細信息。

也許你無法從封面上分辨出一本書，但根據麻省理工學院的研究人員的說法，你現在可以對各種材料做等效的事情，從飛機部件到醫療植入物。他們的新方法允許工程師通過觀察材料表面的特性來弄清楚內部發生了什么。

該團隊使用一種稱為深度學習的機器學習來比較有關材料外部力場和相應內部結構的大量模擬數據，并用它來生成一個系統，該系統可以從表面數據對內部進行可靠的預測。

研究結果發表在《先進材料》雜志上，由博士生Zhenze Yang和土木與環境工程教授Markus Buehler撰寫。

“這是工程中一個非常普遍的問題，”Buehler解釋說。“如果你有一塊材料——也許是汽車上的一扇門或一架飛機——你想知道這種材料里面有什么，你可以通過拍攝圖像和計算你的變形來測量表面的應變。但你不能真正看到材料的內部。你能做到這一點的方法是切割它，然后看看里面是否有任何損壞。

他說，也可以使用X射線和其他技術，但這些技術往往很昂貴，需要笨重的設備。“所以，我們所做的基本上是提出一個問題：我們能否開發一種人工智能算法，可以查看表面發生的事情，我們可以很容易地看到使用顯微鏡或拍照，或者只是測量材料表面的東西，然后試圖弄清楚內部到底發生了什么？”該內部信息可能包括材料中的任何損壞、裂縫或應力，或其內部微觀結構的細節。

他補充說，同樣的問題也適用于生物組織。“那里有疾病，或者組織中有某種生長或變化嗎？”目的是開發一個能夠以完全非侵入性的方式回答此類問題的系統。

實現這一目標涉及解決復雜性，包括“許多此類問題有多種解決方案”，Buehler說。例如，許多不同的內部配置可能表現出相同的表面屬性。為了處理這種歧義，“我們創造了一些方法，基本上可以為我們提供所有的可能性，所有選項，這些方法可能會導致這種特定的[表面]場景。

他們開發的技術涉及使用大量有關表面測量和與之相關的內部屬性的數據來訓練人工智能模型。這不僅包括均勻的材料，還包括不同材料的組合材料。“一些新飛機是由復合材料制成的，所以它們有不同相位的故意設計，”Buehler說。“當然，在生物學中也是如此，任何一種生物材料都將由多種成分制成，它們具有非常不同的特性，例如在骨骼中，你有非常柔軟的蛋白質，然后你有非常堅硬的礦物質。

他說，這項技術甚至適用于那些復雜性尚未完全理解的材料。“對于復雜的生物組織，我們并不確切了解它的行為，但我們可以測量這種行為。我們沒有理論，但如果我們收集了足夠的數據，我們就可以訓練模型。

楊說，他們開發的方法廣泛適用。“它不僅限于固體力學問題，還可以應用于不同的工程學科，如流體動力學和其他類型的學科。Buehler補充說，它可以用于確定各種特性，不僅僅是應力和應變，還有流體場或磁場，例如聚變反應堆內的磁場。它“非常普遍，不僅適用于不同的材料，也適用于不同的學科。

楊說，他初開始考慮這種方法是在研究一種材料上的數據時，他使用的部分圖像是模糊的，他想知道如何“填補模糊區域中缺失數據的空白”。“我們如何恢復這些丟失的信息？”他想知道。進一步閱讀，他發現這是一個普遍存在的問題的例子，稱為反向問題，試圖恢復丟失的信息。

開發該方法涉及一個迭代過程，讓模型做出初步預測，將其與相關材料的實際數據進行比較，然后進一步微調模型以匹配該信息。在材料足夠了解能夠計算真實內部特性的情況下，對所得模型進行了測試，并且新方法的預測與這些計算特性非常匹配。

訓練數據包括表面的圖像，以及各種其他類型的表面屬性測量，包括應力、電場和磁場。在許多情況下，研究人員使用基于對給定材料底層結構的理解的模擬數據。即使一種新材料具有許多未知的特性，該方法仍然可以生成一個足夠好的近似值，為工程師提供有關如何進行進一步測量的一般方向的指導。

作為如何應用這種方法的一個例子，Buehler指出，今天，飛機經常通過用昂貴的方法（如X射線）測試一些代表性區域來檢查，因為測試整個飛機是不切實際的。“這是一種不同的方法，你可以用一種更便宜的方式來收集數據和進行預測，”Buehler說。“然后你可以決定你想去哪里看，也許使用更昂貴的設備來測試它。

首先，他希望這種方法通過GitHub網站免費提供給任何人使用，主要用于實驗室環境，例如用于軟機器人應用的測試材料。

對于這樣的材料，他說，“我們可以測量表面上的東西，但我們不知道材料內部很多時候發生了什么，因為它是由水凝膠或蛋白質或生物材料制成的，用于致動器，并且沒有理論。因此，這是一個研究人員可以使用我們的技術來預測內部情況的領域，并可能設計出更好的夾持器或更好的復合材料，“他補充道。

這項研究得到了美國陸軍研究辦公室、空軍科學研究辦公室、谷歌云平臺和麻省理工學院情報探索的支持。