壓痕技術經常被用于測試材料機械性能。隨著納米技術在過去二十年里的進步，壓痕力可以測量到十億分之一牛頓的分辨率，尖端的穿透深度可以被捕捉到只有納米大小的分辨率，大約是人類頭發直徑的10萬分之一。

高度精細的納米壓痕技術為探測各種材料（包括金屬和合金、塑料、陶瓷和半導體）的物理特性提供了新的可能。

這種測試在廣泛的工業應用領域中都很重要，包括在各種金屬結構的傳統和數字制造（3D打印）、工程部件的材料質量檢驗以及性能和成本的優化中。

近日，一個由來自麻省理工學院、布朗大學和新加坡南洋理工大學（NTU）的研究人員組成的國際研究團隊開發了一種新的分析技術，這種技術可以提高通過儀表化壓痕對金屬材料力學性能的估計，其準確度是現有方法的20倍。

他們的發現發表在近日的《美國國家科學院院刊》（Proceedings of the National Academy of Sciences）的一篇論文中，論文將壓痕實驗與使用最新機器學習工具對材料進行計算建模相結合。

“壓痕是測試機械性能的一種非常好的方法，” 資深作者Ming Dao說，特別是在只有小樣本可供測試的情況下。

他說：“當你試圖開發新材料時，你通常只有少量的材料，你可以使用壓痕或納米壓痕來測試相當少量的材料。”

這樣的測試對于彈性性能來說是相當精確的——也就是說，材料在被戳過之后會彈回到原來的形狀。

但是當施加的力超過了材料的“屈服強度”——也就是戳在表面上留下持久痕跡的那一點——這就叫做塑性變形，傳統的壓痕測試就變得不那么準確了。

Dao說，“事實上，目前還沒有廣泛使用的方法”可以在這種情況下提供可靠的信息。

壓痕可以用來確定硬度，但Dao解釋說：“硬度只是材料的彈性和塑性性能的組合。”它不是一個可以直接用于設計目的的“干凈”參數。

但是在屈服強度或屈服強度以外的性能，即材料開始不可逆變形的強度，對于獲得材料在工程應用中的適用性是很重要的。”

他們的新方法不需要對實驗設備或操作進行任何更改，而是提供了一種處理數據以提高預測準確性的方法。

通過使用一個先進的神經網絡機器學習系統，研究小組發現， 將真實的實驗數據和計算機生成的不同精度的“合成”數據（一種所謂的多保真深度學習方法）進行精心設計的集成，可以生成工業應用程序測試材料所需的那種快速、簡單但高度精確的數據。

傳統的機器學習方法需要大量的高質量數據。然而，在實際材料樣品上進行詳細的實驗既耗時又昂貴。

但研究小組發現， 利用大量低成本的合成數據進行神經網絡訓練，然后加入相對較少的真實實驗數據點——大約在3到20個之間，而不是1000個或更精確的數據集（盡管成本很高）——可以顯著提高結果的準確性。

此外，他們利用已建立的比例法則來進一步減少覆蓋所有工程金屬和合金的參數空間所需的訓練數據集的數量。

更重要的是，作者發現大部分耗時的訓練過程可以提前完成，這樣，為了評估實際測試，可以在需要的時候添加少量真實的實驗結果進行“校準”訓練，從而得到高度準確的結果。

這些多保真深度學習方法已經用傳統的鋁合金和3D打印鈦合金進行了驗證。

馬德里IMDEA材料研究所科學主任Javier Llorca沒有參與此研究，表示這種新方法利用機器學習策略來提高預測的準確性，在快速測試3D打印組件的機械性能方面有著巨大潛力，從而有助于實現更精確的設計。

加州理工學院的Ares Rosakis教授也沒有參與這項工作，他說這種方法“帶來了顯著的計算效率和前所未有的機械性能預測準確性……最重要的是，它為確保機械性能的一致性以及3d打印復雜幾何結構組件的制造再現性提供了以前無法獲得的全新視角，而傳統測試是不可能實現的。”

Dao說，原則上，他們使用的基本過程可以擴展并應用于涉及機器學習的許多其他類型的問題。這個想法可以推廣到解決其他具有挑戰性的工程問題上。

“使用真實的實驗數據有助于彌補在合成數據中假設的理想化條件，其中壓頭尖端的形狀是完全尖銳的，壓頭的運動是完全平滑的，等等。”

通過使用“混合”數據，包括理想化的和真實的情況，“最終的結果是大大減少了錯誤，”他說。