1、 来自新加坡南洋理工大学(N TU Singapore)、麻省理工学院(MIT)和布朗大学的科学家开发了新方法，利用机器学习的力量，大大提高了重要材料测试技术的准确性。

2、 纳米压痕(Nanoindentation)是用尖锐的针尖戳一个材料样品，观察材料如何通过变形进行反应，在许多制造应用中非常重要，但它在获得材料的一些关键机械性能方面的精度很低，阻碍了它在工业中的广泛应用。

3、 通过使用标准纳米压痕技术并将其实验测量数据输入神经网络机器学习系统，科学家开发并训练了该系统，以比现有方法更精确地预测样品的屈服强度20倍。

4、 新的分析技术可以减少对耗时且昂贵的计算机模拟的需求，从而确保用于结构应用的制造零件，如飞机和汽车，以及通过数字制造技术制造的制造零件，如3D打印，在实际使用条件下是安全的。

5、 这篇论文的资深作者、NTU杰出大学的教授SubraSuresh说：“通过将机器学习的最新进展与纳米压痕技术相结合，我们已经表明有可能将材料特性的估计精度提高20倍。我们还验证了该系统能够提高常规制造铝合金和三维打印钛合金的预测能力和精度。这显示了我们的方法在工业4.0数字制造中的潜力，尤其是在3D打印领域。

6、 研究结果将于本周发表在《美国国家科学院院刊》上。

7、 混合方法的物质利益。

8、 该方法由NTU、麻省理工学院和布朗大学的研究人员开发，是一种混合方法，将机器学习与最先进的纳米压痕技术相结合。

9、 在这个过程中，通常由金刚石制成的硬尖端以受控的速度用精确校准的力压入样品材料，并连续测量尖端进入变形材料的穿透深度。

10、 NTU机械与航天工程及材料科学与工程学院院长、NTU的Upadrasta Ramamurty教授表示，实验测量数据的解码过程极其复杂，阻碍了纳米压痕测试技术在飞机和汽车制造中的广泛应用。

11、 为了提高这种情况的准确性，NTU-麻省理工学院-布朗团队开发了一种先进的神经网络——一种松散模拟人脑的计算系统——并通过将实际实验数据与计算机生成的数据相结合来进行“训练”。他们的“多保真度”方法是真实的实验数据，基于物理和计算模拟(来自2D和3D计算机模拟)和深度学习算法的“合成”数据。

12、 麻省理工学院首席研究科学家、NTU大学客座教授明道说，以前大多数使用机器学习分析材料特性的尝试都涉及到计算机在不切实际的完美条件下生成的“合成”数据——例如，压头尖端的形状非常尖锐，压头的运动非常平稳。因此，机器学习预测的测量是不准确的。

13、 研究团队发现，先用合成数据训练神经网络，再结合相对较少的实际实验数据点，可以大大提高结果的准确性。

14、 他们还报告说，使用合成数据的训练可以提前进行，在评估实际材料的性能时，会加入少量真实的实验结果进行校准。

15、 苏雷什教授说：“使用真实的实验数据点有助于补偿合成数据中假设的理想世界。通过使用理想和真实数据点的良好组合，最终结果是大大减少误差。”