人工智能现在非常聪明，以至于硅脑经常会超越人们。

计算机操作自动驾驶汽车，从Facebook上的照片中挑选朋友的脸，并且正在学习承担通常只委托给人类专家的工作。

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已经训练计算机，以便快速一致地检测和分析核反应堆所考虑的材料的微观辐射损伤。计算机在这项艰巨的任务中击败了人类。

“机器学习具有很大的潜力，可以改变当前的，以人为本的显微镜图像分析方法，”Wei Li说，他今年从威斯康星大学麦迪逊分校获得了材料科学与工程硕士学位。

材料科学中的许多问题都是基于图像的，但很少有研究人员具有机器视觉方面的专业知识 - 使图像识别和分析成为主要的研究瓶颈。作为一名学生，Li意识到他可以利用最新计算技术的培训来帮助弥合人工智能和材料科学研究之间的差距。

李，橡树岭职员科学家凯文菲尔德和威斯康星大学麦迪逊材料科学与工程学教授戴恩摩根在分析对潜在核反应堆材料的破坏时，利用机器学习使人工智能比经验丰富的人更好。合作者在7月18日发表在npjComputational Materials期刊上的论文中描述了他们的方法。

机器学习使用统计方法来指导计算机在不接受任何人的明确指导的情况下改进其在任务上的表现。从本质上讲，机器学习教导计算机自学。

“在未来，我相信来自许多乐器的图像将通过机器学习算法进行初步分析，然后才被人类考虑，”李的研究生院顾问摩根说。

研究人员将机器学习作为快速筛选暴露于辐射的材料的电子显微镜图像的一种手段，并确定特定类型的损伤 - 这是一项具有挑战性的任务，因为这些照片可能类似于月球表面坑洼或喷溅的飞溅帆布。

这项对于开发安全核材料绝对至关重要的工作可能会使耗时的过程更加高效和有效。

“人类检测和识别容易出错，不一致且效率低下。也许最重要的是，它不具备可扩展性，”摩根说。“较新的成像技术正在超越人类分析我们可以生成的数据的能力。”

以前，图像处理算法依赖于人类程序员来提供对象识别特征的明确描述。教电脑识别像停车标志一样简单的东西可能涉及描述红色八角形物体的代码行。

然而，更复杂的是阐明所有可能发出信号的视觉线索，例如猫。模糊的耳朵?锋利的牙齿?威威?各种生物具有相同的特征。

机器学习现在采用完全不同的方法。

“这是思想的真正改变。你不制定规则。你让计算机弄清楚规则应该是什么，”摩根说。

今天用于图像分析的机器学习方法通​​常使用称为神经网络的程序，这些程序似乎模仿人类大脑的显着分层模式识别能力。为了教导神经网络识别猫，科学家们通过提供各种猫品种的精确标记图片集合来“训练”该程序。神经网络从那里接管，为最重要的特征建立和完善自己的指导方针。

同样，Morgan及其同事教授神经网络来识别一种非常特殊类型的辐射损伤，称为位错环，这是一些最常见但具有挑战性的缺陷，即使对于具有数十年经验的人来说也是如此。

在使用270个图像进行训练之后，神经网络与另一种称为级联对象检测器的机器学习算法相结合，在一组测试图片中正确识别并分类了大约86%的位错环。相比之下，人类专家发现了80%的缺陷。

“当我们得到最终结果时，每个人都感到惊讶，”菲尔德说，“这不仅取决于方法的准确性，还取决于速度。我们现在可以像人类一样检测这些循环，而在标准的一小部分时间内完成家用电脑。“

毕业后，李某在谷歌工作，但研究正在进行中。Morgan和Field正在努力扩展他们的训练数据集，并教授一种新的神经网络来识别不同类型的辐射缺陷。最终，他们设想为世界各地的材料科学家创建一个庞大的基于云的资源，以便上传图像以进行近乎瞬时的分析。

“这只是一个开始，”摩根说。“机器学习工具将有助于创建一个科学家可以用我们刚刚开始理解的方式利用的网络基础设施。”