虽然今天的生活充满了惊人的技术进步，但支撑这些发展的金属使用方式几千年来并没有发生重大变化。从赋予汽车和卡车形状、强度和燃油经济性的金属棒、管和立方体，到为从发电厂到海底电缆等一切事物输送电力的电线，一切都是如此。但事情正在迅速变化：材料制造正在使用新的创新技术、工艺和方法来改进现有产品并创造新产品。太平洋西北国家实验室（PNNL）是这个被称为先进制造领域的领导者。PNNL成立于1965年，利用其在化学、地球科学、生物学和数据科学方面的独特优势来推进科学知识并应对可持续能源和国家安全方面的挑战。使用机器学习这一人工智能的一个分支，在PNNL的AI科学推理项目中工作的科学家开创了设计和训练计算机软件以指导新制造工艺开发的方法。这些软件程序经过训练可以识别制造数据中的模式，并使用这种模式识别功能来推荐或预测制造过程中的设置，这些设置将导致材料的性能得到改善，这些材料比使用传统方法生产的材料更轻、更轻、强度更高或导电性更好.PNNL的材料科学家KeertiKappagantula表示：“我们采用先进制造工艺制造的组件对工业公司非常有吸引力，他们希望看到这些技术尽快推出。”行业合作伙伴不愿投资新技术，直到他们的能力得到充分充实和验证。为了弥合差距，Kappagantula与PNNL数据科学家HenryKvinge和TeganEmerson合作开发机器学习工具，以预测制造过程中的各种设置如何影响材料特性。这些工具还以可视化格式呈现预测，为行业合作伙伴和其他人提供即时清晰度和理解。通过使用这些机器学习工具，团队相信从实验室到工厂的时间可以缩短到几个月而不是几年。在工具预测的指导下，材料科学家只需进行少量实验，而不是几十个，就可以确定未来的材料特性。例如，哪些设置可以使铝管按预期运行。“我们的目标是使用机器学习作为一种工具，帮助指导运行先进制造工艺的人们在他们的设备上尝试不同的设置——不同的工艺参数——找到一个能让他们实现他们真正想要的东西的工具，”Kvinge说。您想要实现的目标。”解决正确的问题在传统制造中，计算机模型建立在对制造过程的物理学有很好的理解的基础上，显示不同的设置如何影响材料的特性。Kappagantula说，在先进制造业中，人们对物理学知之甚少。没有这种专业的理解，生产就会被耽误。新的先进制造人工智能工具项目旨在确定如何使用机器学习来提取工艺参数和由此产生的材料特性之间的模式，从而深入了解先进制造技术的基础物理原理并加速其部署。“我们采用的方法，统一的主题，从了解材料科学家如何应用他们的专业知识以及他们拥有什么样的心智模型开始？然后将其用作构建模型的框架，”Kvinge说。该项目需要一个机器学习模型来预测给定特定参数的材料的特性。在与材料科学家的磋商中，他很快了解到他们真正想要的是能够指定一种属性，并有一个模型建议可用于实现该属性的所有工艺参数。可靠的解决方案Kappagantula和她的同事们需要的是一个机器学习框架，该框架可以提供有助于她的团队决定下一步要尝试什么实验的结果。在没有此类指导的情况下，调整参数以开发具有所需特性的材料的过程充满了失败的风险。在这个项目中，Kvinge和他的同事首先开发了一种名为“差异属性分类”的机器学习模型，该模型利用机器学习的模式匹配能力来区分两组工艺参数，以确定哪一组更有可能生产具有所需特性的材料。该模型允许材料科学家在开始实验之前锁定最佳参数，这可能是昂贵的并且需要大量的准备工作。Kappagantula说，在试验机器学习模型推荐之前，她需要相信模型的推荐。“我希望能够看到它是如何被分析的。”这个概念在机器学习领域被称为可解释性，对于不同领域的专家来说意味着不同的东西。Kvinge指出，对于数据科学家而言，对机器学习模型如何得出预测的解释可能与材料科学家的理解截然不同。当Kvinge、Emerson和他们的同事解决这个问题时，他们试图从材料科学家的思维框架来理解它。“事实证明，他们通过这些材料微观结构的图片非常了解这一点，”Kvinge说。“如果你问他们出了什么问题，为什么实验不顺利，或者为什么这么顺利，他们会看着照片问你指出问题并说这些粒子太大或太小，或类似的东西。”为了使他们的机器学习模型的结果具有可解释性，Kvinge、Emerson和同事使用了之前实验中的微粒。.该团队目前正在验证该模型，并致力于使其成为软件框架的一部分，材料科学家可以使用该框架来确定进行哪些实验，同时开发有望改变材料生产和性能的先进制造技术。Kappagantula在谈到先进制造时说：“这不仅仅是提高能源效率，它还释放了新材料中从未见过的特性和性能。”
