科学家们正在开创机器学习的先机，以设计和训练计算机软件程序，指导新的制造工艺发展。图片来源：PNNL

但情况正在迅速改变：材料制造业正在使用新的和创新的技术、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) 是这一领域的领导者，并以先进制造而闻名。

例如，在 PNNL 的“科学中的人工推理数学”计划中工作的科学家是人工智能分支（称为机器学习）的开创性方法，用于设计和训练指导新制造工艺开发的计算机软件程序。

这些软件程序经过培训，可以识别制造数据中的模式，并使用这种模式识别能力来推荐或预测制造过程中的设置，这些设置将产生具有改进性能的材料——例如，比使用传统方法制造的材料更轻、更强或导电性能更好。

PNNL 的材料科学家表示： “我们使用先进制造工艺制造的组件对行业非常有吸引力，以至于他们希望看到这些技术尽快推出。”同时存在的挑战是，在先进制造技术的基础物理和其他复杂性得到充分验证之前，行业合作伙伴不愿投资新技术。为了弥补这一差距， PNNL的研究团队合作构建了机器学习工具，可以预测制造过程中的各种设置如何影响材料特性。这些工具还以视觉方式呈现预测，为行业合作伙伴和其他人提供即时的清晰度和理解。

使用这些机器学习工具，该团队相信它可以将从实验室到工厂车间的时间缩短到几个月，而不是几年。在工具预测的指导下，材料科学家只需要进行少量实验，而不是几十次，就可以确定，例如，哪些设置会导致铝管具有所需的特性。

该团队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过程的人员在他们的设备上尝试不同的设置以及不同的工艺参数，从而高效找到一个让技术人员实现他们真正想要的东西。

解决正确的问题

在传统制造中，建立在众所周知的制造过程物理基础上的计算机模型向科学家展示了不同的设置如何影响材料特性。在先进制造业中，人工智能工具项目旨在确定可以利用机器学习来提取工艺参数和产生的材料特性之间的模式的方法，从而深入了解先进制造技术的基本物理特性并加速其部署。

在这个项目中，团队需要一个机器学习模型，该模型可以预测在给定特定参数时产生的材料的特性。在与材料科学家协商后，团队很快了解到他们真的希望能够指定一种特性，并有一个模型建议可以用来实现它的所有工艺参数。

可解释的解决方案

研究团队需要一个机器学习框架，该框架可以提供帮助研究人员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是反复试验。

在这个项目中，研究人员首先开发了一种称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产生具有所需材料的特性。

该模型允许材料科学家在设置实验之前确定最佳参数，这可能成本高昂并且需要大量的准备工作。在继续进行机器学习模型推荐的实验之前，研究人员需要相信模型的推荐并希望够看到它如何进行分析。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具有不同的含义。对于数据科学家来说，对机器学习模型如何得出其预测的解释可能与对材料科学家有意义的解释完全不同。为了使他们的机器学习模型的结果具有可解释性，研究团队使用来自先前实验的微结构图像和相关数据来训练一个模型，该模型生成微结构图像，该图像将由使用给定参数集调整的制造过程产生。

该团队目前正在验证该模型，旨在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要执行哪些实验，同时开发有望改变材料生产和性能的先进制造技术。这不仅仅是更高效地做事，它还释放了我们以前从未见过的特性和性能。