Materialforskare i Japan utvecklar en teknik som känner igen och märker detaljerade mikroskopiska strukturer inuti svetsat stål, ungefär som vissa program taggar vänner i dina foton. Tillvägagångssättet kan hjälpa till att påskynda vår förståelse av metallegenskaper, samtidigt som det banar väg för design av nya material.

"Metallurger är mycket intresserade av att analysera materialmikrostrukturer eftersom de bestämmer deras egenskaper, " säger Dmitry Bulgarevich från Japans nationella institut för materialvetenskap (NIMS). "De flesta av data för dessa studier kommer från optiska eller elektronmikroskopiska avbildningstekniker som kan producera en
överväldigande mängd information."

Ett team av materialforskare från NIMS och University of Tokyo utforskade användningen av maskininlärning för att snabbt analysera dessa stora mängder data.

De förberedde stållegeringar gjorda av kol, kisel, mangan, fosfor och svavel genom att kyla dem från 1400°C med olika hastigheter:0,3°C, 1°C, 3°C, eller 10°C per sekund. De varierande kylhastigheterna ledde till bildandet av olika mikrostrukturer i stålet. Expertmetallurger identifierade manuellt tre typer av mikrostrukturer i mikroskopiska bilder av legeringarna:ferrit/perlit, ferrit/perlit/bainit, och bainit/martensit. Underfaser av ferrit identifierades också.

Bilderna bearbetades och kördes sedan genom flera maskininlärningsmodeller, använda algoritmer för att träna dem att känna igen och märka bilderna. Teamet hittade en klassificeringsmetod för maskininlärning, kallas Random skog, gjorde de mest exakta förutsägelserna av legeringsmikrostruktur. Denna metod skulle kunna tillämpas på ett brett spektrum av metaller i både forsknings- och industrimiljöer.

"Det finns mycket hopp om att denna maskininlärningsmetod kommer att hjälpa till att automatisera mikrostrukturanalys med hjälp av stora datamängder och i utvecklingen av nya material med önskade mekaniska egenskaper, säger Bulgarevich.