人工智能现在是如此的聪明，以至于硅脑经常比人类思考。

当人工智能与机器视觉相结合时，计算机可以完成看似不可思议的任务-想想特斯拉的自动驾驶汽车，或者Face book在照片中挑选人脸的神奇能力。

除了作为一种有用的社交媒体工具，先进的图像处理有朝一日可以帮助医生从活检样本中快速识别图像中的癌细胞，或者使科学家能够评估某些材料在核电反应堆中是否能很好地抵抗条件。

“机器学习在改变目前人类参与的显微镜图像分析方法方面具有巨大潜力，”2018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魏丽说。

鉴于材料科学中的许多问题是基于图像的，但很少有研究人员在机器视觉方面有专长，一个主要的研究瓶颈是图像识别和分析。作为一名学生，李先生意识到他可以利用最新计算技术的训练来帮助弥合人工智能和材料科学研究之间的差距。

与合作者包括Oak Ridge国家实验室的工作人员科学家凯文·菲尔德（Kevin Field），李用机器学习来快速、一致地检测和分析正在考虑中的核反应堆材料的微观尺度辐射损伤。

换句话说，计算机在这项艰巨的任务中胜过了人类。

研究人员在2018年7月18日发表在NPJ计算材料杂志上的一篇论文中描述了他们的方法。

机器学习使用统计方法来引导计算机提高其在任务上的性能，而无需从人那里得到任何明确的指导。从本质上讲，机器学习可以教计算机自己。

“在未来，我相信来自许多仪器的图像会通过机器学习算法进行初步分析，然后才会被人类考虑，”UW-麦迪逊和李的顾问的材料科学和工程教授Dane Morgan说。

研究人员将机器学习作为一种手段，以快速筛选暴露在辐射中的材料的电子显微镜图像并识别特定类型的损伤-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的陨石坑或飞溅的画布。

这项对于开发安全的核材料至关重要的任务可以使耗时的过程更加高效和有效。

“人类的探测和识别容易出错，不一致，效率低下。也许最重要的是，它不可扩展，”摩根说。“较新的成像技术正在超过人类分析我们所能产生的数据的能力。”

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显式描述。教计算机识别一些简单的东西，如停止标志，可能涉及到描述红色八角形物体的代码行。

然而，更复杂的是，阐明了所有的视觉暗示，信号，例如，一只猫。模糊的耳朵？锋利的牙齿？威士忌？各种各样的动物都有同样的特征。

机器学习现在采取了完全不同的方法。

“这是真正的思想转变。你不制定规则——你让电脑弄清楚规则应该是什么，”摩根说。

今天的机器学习图像分析方法经常使用被称为神经网络的程序，这些程序似乎模仿了人类大脑显著的分层模式识别能力。例如，为了教一个神经网络识别一只猫，科学家们简单地“训练”了这个程序，提供了一组精确标记的各种猫品种的图片。神经网络从那里接管，建立和完善它自己的一套最重要的特征指南。

同样，摩根和他的同事教授了一种神经网络来识别一种非常特殊的辐射损伤，称为位错环，这是一些最常见但又具有挑战性的缺陷来识别和量化-即使对于一个有几十年经验的人来说也是如此。

经过270幅图像的训练，神经网络与另一种称为级联目标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和分类了大约86%的位错环。为了比较，人类专家发现了80%的缺陷。

菲尔德说：“当我们拿到最终结果时，大家都很惊讶。“不仅靠精确的方法，还要靠速度。现在，我们可以在一台标准家用电脑上用一小部分时间检测到像人类这样的循环。”

毕业后，李在谷歌找了一份工作。但这项研究正在进行中：目前，摩根和菲尔德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造一个大规模的基于云的资源，以便上传图像进行几乎不相干的分析。

摩根说：“这只是个开始。“机器学习工具将有助于创建一个网络基础设施，科学家可以利用我们刚刚开始了解的方式。”