也许你无法从封面上分辨出一本书，但根据麻省理工学院的研究人员的说法，你现在可以对各种材料做等效的事情，从飞机部件到医疗植入物。他们的新方法允许工程师通过观察材料表面的特性来弄清楚内部发生了什么。

该团队使用一种称为深度学习的机器学习来比较有关材料外部力场和相应内部结构的大量模拟数据，并用它来生成一个系统，该系统可以从表面数据对内部进行可靠的预测。

研究结果已发表在《先进材料》杂志上，由博士生Zhenze Yang和土木与环境工程教授Markus Buehler撰写。

“这是工程中一个非常普遍的问题，”Buehler解释说。“如果你有一块材料——也许是汽车上的一扇门或一架飞机——你想知道这种材料里面有什么，你可以通过拍摄图像和计算你的变形来测量表面的应变。但你不能真正看到材料的内部。你能做到这一点的唯一方法是切割它，然后看看里面是否有任何损坏。

他说，也可以使用X射线和其他技术，但这些技术往往很昂贵，需要笨重的设备。“所以，我们所做的基本上是提出一个问题：我们能否开发一种人工智能算法，可以查看表面发生的事情，我们可以很容易地看到使用显微镜或拍照，或者只是测量材料表面的东西，然后试图弄清楚内部到底发生了什么?”该内部信息可能包括材料中的任何损坏、裂缝或应力，或其内部微观结构的细节。

他补充说，同样的问题也适用于生物组织。“那里有疾病，或者组织中有某种生长或变化吗?”目的是开发一个能够以完全非侵入性的方式回答此类问题的系统。

实现这一目标涉及解决复杂性，包括“许多此类问题有多种解决方案”，Buehler说。例如，许多不同的内部配置可能表现出相同的表面属性。为了处理这种歧义，“我们创造了一些方法，基本上可以为我们提供所有的可能性，所有选项，这些方法可能会导致这种特定的[表面]场景。

他们开发的技术涉及使用大量有关表面测量和与之相关的内部属性的数据来训练人工智能模型。这不仅包括均匀的材料，还包括不同材料的组合材料。“一些新飞机是由复合材料制成的，所以它们有不同相位的故意设计，”Buehler说。“当然，在生物学中也是如此，任何一种生物材料都将由多种成分制成，它们具有非常不同的特性，例如在骨骼中，你有非常柔软的蛋白质，然后你有非常坚硬的矿物质。

他说，这项技术甚至适用于那些复杂性尚未完全理解的材料。“对于复杂的生物组织，我们并不确切了解它的行为，但我们可以测量这种行为。我们没有理论，但如果我们收集了足够的数据，我们就可以训练模型。

杨说，他们开发的方法广泛适用。“它不仅限于固体力学问题，还可以应用于不同的工程学科，如流体动力学和其他类型的学科。Buehler补充说，它可以用于确定各种特性，不仅仅是应力和应变，还有流体场或磁场，例如聚变反应堆内的磁场。它“非常普遍，不仅适用于不同的材料，也适用于不同的学科。

杨说，他最初开始考虑这种方法是在研究一种材料上的数据时，他使用的部分图像是模糊的，他想知道如何“填补模糊区域中缺失数据的空白”。“我们如何恢复这些丢失的信息?”他想知道。进一步阅读，他发现这是一个普遍存在的问题的例子，称为反向问题，试图恢复丢失的信息。

开发该方法涉及一个迭代过程，让模型做出初步预测，将其与相关材料的实际数据进行比较，然后进一步微调模型以匹配该信息。在材料足够了解能够计算真实内部特性的情况下，对所得模型进行了测试，并且新方法的预测与这些计算特性非常匹配。

训练数据包括表面的图像，以及各种其他类型的表面属性测量，包括应力、电场和磁场。在许多情况下，研究人员使用基于对给定材料底层结构的理解的模拟数据。即使一种新材料具有许多未知的特性，该方法仍然可以生成一个足够好的近似值，为工程师提供有关如何进行进一步测量的一般方向的指导。

作为如何应用这种方法的一个例子，Buehler指出，今天，飞机经常通过用昂贵的方法(如X射线)测试一些代表性区域来检查，因为测试整个飞机是不切实际的。“这是一种不同的方法，你可以用一种更便宜的方式来收集数据和进行预测，”Buehler说。“然后你可以决定你想去哪里看，也许使用更昂贵的设备来测试它。

首先，他希望这种方法通过GitHub网站免费提供给任何人使用，主要用于实验室环境，例如用于软机器人应用的测试材料。

对于这样的材料，他说，“我们可以测量表面上的东西，但我们不知道材料内部很多时候发生了什么，因为它是由水凝胶或蛋白质或生物材料制成的，用于致动器，并且没有理论。因此，这是一个研究人员可以使用我们的技术来预测内部情况的领域，并可能设计出更好的夹持器或更好的复合材料，“他补充道。