威斯康星大学麦迪逊分校和橡树岭国家实验室的研究人员训练计算机，使其能够快速而准确地检测和分析核反应堆材料的微观辐射损伤，这项任务以往一直由人类完成。研究显示，计算机在这一领域表现出色。

Wei Li，今年从威斯康星大学麦迪逊分校获得材料科学与工程硕士学位的学生，表示：“机器学习有很大的潜力，可以彻底改变目前以人工为主的显微镜图像分析方法。”

材料科学中的许多问题都依赖于图像分析，但由于缺乏机器视觉方面的专业人才，图像识别和分析成为了研究的一大瓶颈。Li认识到，借助最新的计算技术，可以缩短人工智能与材料科学研究之间的距离。

在与橡树岭国家实验室的职员科学家Kevin Field以及威斯康星大学麦迪逊分校材料科学与工程教授Dane Morgan的合作中，他们发现机器学习在分析核反应堆材料损伤方面优于人类。这一研究成果已于7月18日在《npj 计算材料学》期刊上发表。

机器学习通过统计方法指导计算机在执行任务时不断改进，而不需要人类提供明确的指导。简而言之，机器学习教会计算机自主学习。

Morgan表示：“未来，我认为来自各种仪器的图像将首先通过机器学习算法进行初步分析，然后才由人类进一步评估。”

研究人员将机器学习应用于快速筛选已暴露于辐射的材料的电子显微镜图像，以识别特定类型的损伤。这一过程极具挑战性，因为这些图像可能类似于月球表面的陨石坑或被喷溅的画布。

这项对开发安全核材料至关重要的工作有望使整个过程更加高效和准确。“人类检测和识别容易出错、不一致且低效。更重要的是，这种方法不具备可扩展性。”Morgan指出，“随着新型成像技术的发展，人类分析已无法跟上数据生成的速度。”

过去，图像处理算法依赖于人类程序员提供对象识别的明确描述。例如，教计算机识别停车标志可能需要编写描述红色八角形物体的代码。然而，对于更复杂的对象，如猫，需要描述耳朵、尖牙、胡须等众多特征。

机器学习采用了全新的方法：“这是一种思维方式的转变。你不再制定规则，而是让计算机自己找出规则。”目前用于图像分析的机器学习方法通常使用神经网络程序，这些程序模拟人类大脑的层次化模式识别能力。Morgan和他的团队训练神经网络识别一种特别常见的辐射损伤——位错环，即使是经验丰富的专家也很难识别这类缺陷。

经过270张图像的训练后，神经网络结合另一个名为级联对象检测器的机器学习算法，在一组测试图像中成功识别并分类了大约86%的位错环。相比之下，人类专家只能识别80%的缺陷。

Field表示：“当看到最终结果时，大家都感到惊讶，这不仅是因为方法的准确性，还有速度。”

Morgan和Field正在扩大训练数据集，并教授新的神经网络识别不同类型的辐射缺陷。他们计划建立一个基于云的全球资源，供世界各地的材料科学家上传图像并进行近乎实时的分析。