尽管如今的生活中充满了惊人的技术进步，但支撑这些发展的金属的使用方式在数千年里都没有显著改变。从为汽车和卡车提供形状、强度和燃油经济性的金属棒、金属管和立方体，到为从电厂到海底电缆的所有东西输送电能的电线，一切都是如此。
但是情况正在迅速变化：材料制造业正在使用全新创新技术、过程和方法来改进现有的产品和创造新的产品。美国太平洋西北国家实验室(PNNL)是这一领域的领导者，被称为先进制造。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，促进科学知识，应对可持续能源和国家安全方面的挑战。
在PNNL的“科学中的人工智能推理”项目中工作的科学家们，利用人工智能的分支机器学习开创了设计和训练计算机软件的方法，以指导新的制造工艺的开发。
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能力来推荐或预测制造过程中的设置，这些设置将产生性能改善的材料，比使用传统方法生产的材料更轻、更强或更导电。
PNNL的材料科学家Keerti Kappagantula说:“我们用先进的制造工艺制造的组件对工业企业非常有吸引力，他们希望看到这些技术尽快推出。”
一个挑战是，在先进制造技术的基础物理和其他复杂性得到充分充实和验证之前，行业合作伙伴不愿投资于新技术。
为了弥补差距，Kappagantula与PNNL的数据科学家Henry Kvinge和Tegan Emerson合作开发机器学习工具，预测制造过程中的各种设置如何影响材料性能。这些工具还以可视化的方式展示了预测，为行业合作伙伴和其他人提供了即时的清晰和理解。
通过使用这些机器学习工具，该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，材料科学家只需要进行少量的实验，而不是几十个，就可以确定未来材料特性。例如，什么设置可以导致铝管达到预期性能。
Kvinge说:“我们的目标是将机器学习作为一种工具，帮助指导正在运行先进制造过程的人在他们的设备上尝试不同的设置——不同的工艺参数——以找到一个让他们实现他们实际想要实现的目标。”
解决正确的问题
在传统的制造中，计算机模型建立在对制造过程的物理学非常了解的基础上，展示了不同的设置如何影响材料的性能。Kappagantula说，在先进的制造业中，人们对物理学知之甚少。如果没有这种专业理解，生产就会推迟。
新的先进制造人工智能工具项目旨在确定如何利用机器学习来提取工艺参数和产生的材料属性之间的模式，这为先进制造技术的底层物理提供了洞察，并可以加速它们的部署。
“我们采取的方法，统一的主题，从理解材料科学家如何运用他们专业知识以及他们有什么心智模式?然后用它作为构建模型的框架。”Kvinge说。
在这个项目中需要一个机器学习模型，在给定特定参数的情况下预测材料的性能。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特性，并有一个模型建议所有可用于实现该特性的工艺参数。
一个可说明的解决方案
Kappagantula和她的同事需要的是一个机器学习框架，它可以提供结果，帮助她的团队做出下一步尝试什么实验的决定。在缺乏这种指导的情况下，调整参数以开发具有所需性能的材料的过程是充满失败风险。
在这个项目中，Kvinge和他的同事们首先开发了一个名为“差别属性分类”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属性的材料。
该模型允许材料科学家在开始实验之前锁定最佳参数，这可能会花费昂贵，需要大量的准备工作。
Kappagantula说，在进行机器学习模型推荐的实验之前，她需要相信模型的推荐。“我希望能够看到它是如何进行分析的。”
这个概念在机器学习领域被称为可解释性，对不同领域的专家有不同的含义。Kvinge指出，对于数据科学家来说，对机器学习模型如何得出预测的解释可能与对材料科学家有意义的解释完全不同。
当Kvinge、Emerson和他们的同事在处理这个问题时，他们试图从材料科学家的思维框架来理解它。
Kvinge说:“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。”“如果你问他们哪里出了问题，为什么实验不顺利，或者为什么进行得很顺利，他们会看着图片，向你指出问题，说这些颗粒尺寸太大了，或太小了，或诸如此类的问题。”
为了使他们的机器学习模型的结果具有可解释性，Kvinge、Emerson和同事们使用了先前实验中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，这些图像将由一组给定的参数调整的制造过程产生。
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，同时开发承诺改变材料生产和性能的先进制造技术。
Kappagantula在谈到先进制造业时表示:“这不仅仅是在提高能源效率，它还开启了新材料从未见过的特性和性能。”
