对于玻璃发现机器学习需要人类的帮助

机器学习(ML)已在许多领域取得了令人瞩目的成功——面部识别、语音识别、消费者行为和药物发现。不过，它只取得有限成功的一个领域是作为开发大块金属玻璃的工具。

由JanSchroers教授领导的一组研究人员着手弄清楚这是为什么，以及他们如何创建ML模型来更好地预测玻璃形成。他们的结果发表在ActaMaterialia上。

金属玻璃具有广泛的应用前景，因为它们具有最好的金属的强度，但又具有塑料的柔韧性。然而，事实证明，找到制造金属玻璃的合适元素是一项耗时的任务。金属玻璃的特性归功于它们独特的原子结构：当金属玻璃从液体冷却到固体时，它们的原子随机排列，不会像传统金属那样结晶。但玻璃形成能力(GFA)——即金属或合金转变为玻璃的难易程度——很复杂且知之甚少。

某些类型的材料发现涉及的原子相对较少，而ML模型已经揭示了许多以低成本进行准确预测的例子，并进一步导致以更快的速度发现非常规化学成分的材料。

然而，预测合金的玻璃形成能力是一个复杂得多的问题。尽管人们希望ML可以用来解决此类复杂问题，但到目前为止，它的表现比基于人类学习的模型要差得多。

为了测试其功效，研究人员尝试使用ML预测大块金属玻璃的形成。具体来说，他们使用了最近开发的基于201合金特征的ML模型，该合金特征由31种元素特征的组合构成。他们将其性能与该研究的第一作者、博士生刘冠南开发的模型进行了比较。Schroers实验室的学生。该模型仅使用非物理特征。令人惊讶的是，其结果的准确性不亚于基于物理特征的ML模型。

他们发现他们需要在模型中包含更多的物理洞察力。也就是说，仅了解所涉及材料的属性是不够的，模型还必须包括这些属性如何相互关联。例如，包括诸如合金中最小元素与最大元素之比的见解可以显着改善结果。

“即使我们在构建机器学习模型时提供的物理见解很少，结果也会好得多，”机械工程与材料科学教授Schroers说。“机器学习必须有一点人类学习，否则ML的预测基本上是无用的。”

这些属性本身并不能提供足够的信息。Schroers将其比作分析文学作品。

“如果你读莎士比亚并说‘哦，他用了很多字母P和字母S’，那并不能描述莎士比亚，”他说。“但莎士比亚是如何将它们组合在一起的?那是缺失的部分。即使只知道一点点他是如何将字母组合在一起的，也会使预测(在识别和模仿莎士比亚方面)比仅仅字母本身更有说服力。”

刘说，为了建立他们的发现，研究人员希望训练一个具有更多物理洞察力的机器学习模型。