威斯康星大学麦迪逊分校和橡树岭国家实验室的研究人员训练计算机，使其快速一致地检测和分析核反应堆材料的微观辐射损伤，并且计算机在这项艰巨的任务中表现胜过人类。

今年从威斯康星大学麦迪逊分校获得材料科学与工程硕士学位的Wei Li表示，“机器学习具有很大的潜力，可以改变当前的，以人为本的显微镜图像分析方法。”

材料科学中的许多问题都是基于图像的，但很少有研究人员具有机器视觉方面的专业知识，使图像识别和分析成为主要的研究瓶颈。Li意识到他可以利用最新计算技术的训练来帮助缩短人工智能和材料科学研究之间的差距。

Li与橡树岭职员科学家Kevin Field和威斯康星大学麦迪逊分校材料科学与工程教授Dane Morgan在分析对潜在核反应堆材料的损伤时，发现机器学习胜过经验丰富的人。他们在7月18日发表在npj Computational Materials期刊上的论文中描述了这一方法。

机器学习使用统计方法来指导计算机改进其在任务上的表现，而无需接收来自人的任何明确指导。从本质上讲，机器学习教导计算机自学。

Morgan表示，“在未来，我相信来自许多仪器的图像将通过机器学习算法进行初步分析，然后人类才加以考虑。”



研究人员将机器学习作为快速筛选已经暴露于辐射的材料的电子显微镜图像的手段，并确定特定类型的损伤，这是一项具有挑战性的任务，因为这些照片可能类似于月球表面坑洼或被喷溅的画布。

这项对于开发安全核材料至关重要的工作可能会使整个过程更加高效和有效。

“人类检测和识别容易出错，不一致且效率低下。也许最重要的是，它不具有可扩展性，”Morgan指出，“较新的成像技术正在超越人类分析可以生成的数据的能力。”

在此以前，图像处理算法依赖于人类程序员来提供对象识别特征的明确描述。教计算机识别像停车标志一样简单的东西可能涉及描述红色八角形物体的代码行。

然而，更复杂的是阐明所有可能发出信号的视觉线索，以猫为例，需要描述耳朵，锋利的牙齿，胡须等各种生物具有相同的特征。

机器学习现在采用完全不同的方法，“这是思想的真正改变。你不制定规则。你让计算机弄清楚规则应该是什么。”

今天用于图像分析的机器学习方法通常使用神经网络程序，这些程序模仿了人类大脑的显着分层模式识别能力。Morgan及其同事教授神经网络来识别一种非常特殊类型的辐射损伤，称为位错环，这是一些最常见但具有挑战性的缺陷，即使对于具有数十年经验的人来说也是如此。

在用270个图像训练之后，神经网络与另一个称为级联对象检测器的机器学习算法相结合，正确地识别并分类了一组测试图像中大约86％的位错环。相比之下，人类专家发现了80％的缺陷。

Field表示，“当我们得到最终结果时，每个人都感到惊讶，这不仅取决于方法的准确性，还取决于速度。”

Morgan和Field正在努力扩展他们的训练数据集，并教授一种新的神经网络来识别不同类型的辐射缺陷。他们设想为世界各地的材料科学家创建一个庞大的基于云的资源，以便上传图像以进行近乎实时的分析。