密歇根大学采用机器学习法 为车辆/风力涡轮机研发轻质玻璃

据外媒报道，美国密歇根大学（University of Michigan）研究人员研发了一种新型机器学习算法，可用于寻找轻质且刚度非常强的玻璃成分，从而为更高效的车辆和风力涡轮机设计出新一代材料。此种玻璃可以增强聚合物，生成复合材料，达到与金属类似的强度，但是重量却更轻。

（图片来源：密歇根大学）

玻璃等所有固体材料都具有抗变形刚度（Elastic stiffness），也称为弹性系数，是一种测量单位面积上需要多大的力才能使材料弯曲或拉伸的方法。如果属于弹性变化，则一旦受力停止，材料可以完全恢复到原来的形状和大小。

抗变形刚度对于结构应用中的任何材料都至关重要，刚度更高表明可以采用更薄的材料承受同样的力。例如，汽车挡风玻璃、智能手机以及其他屏幕上的触摸屏，如果玻璃刚度更高，就可以变得更薄、更轻。玻璃纤维复合材料作为轻质材料，广泛应用于汽车、卡车和风力涡轮机，让此类部件变得更轻。

根据美国能源效率和可再生能源办公室（U.S. Office of Energy Efficiency and Renewable Energy）的数据，车辆更轻，如车辆每减少10%，就可以节省6%至8%的汽油，而且电动车辆减重还可以延长续航里程。

更轻、刚度更强的玻璃能够让风力涡轮机的叶片更有效地将风能转化为电力，因为被浪费在让叶片旋转上的“风能”会减少。此外，还能够实现更长的风力涡轮机叶片，从而在相同的风速下，产生更多的电力。

由于玻璃是一种非晶质或无序结构材料，因而很难预测其原子结构以及相应的物理/化学特性。因此，密歇根大学的研究人员采用计算机模拟加速对玻璃的研究，但是需要大量的计算时间，因此无法研究每一种可能的玻璃成分。

另一个问题是，研究人员没有足够的关于玻璃成分的数据，以让机器学习有效地预测新玻璃成分的玻璃属性。机器学习算法需要输入数据，在数据中找到模式，才能够进行预测。但是，如果没有足够的训练数据，预测就会不可靠。

因此，研究人员采用了高吞吐量计算机模拟生成了各种玻璃的密度和抗变形刚度数据。然后，研发了更适合少量数据的机器学习模型，让其专注于原子间相互作用的强度。从本质上说，研究人员采用物理学揭示，数据中什么才是重要的，从而提升了对新玻璃成分进行预测的质量。

当研究人员采用由二氧化硅以及一或两种其他添加剂制成的玻璃训练该机器学习模型时，发现其能够准确地预测含有十多种不同成分复杂玻璃的轻量化特点和抗变形刚度，能够一次性筛选出多达10万个不同的成分。

在设计玻璃时，轻量化和抗变形刚度只是两个重要的特性，还需要了解其强度、韧性以及熔化温度。通过分享数据和方法，研究人员希望能够激发其他人去研发玻璃研究领域的新模型。