压痕技能经常被用于测验资料机械功能。跟着纳米技能在曩昔二十年里的前进，压痕力能够测量到十亿分之一牛顿的分辨率，顶级的穿透深度能够被捕捉到只要纳米巨细的分辨率，大约是人类头发直径的10万分之一。

　　高度精密的纳米压痕技能为勘探各种资料(包含金属和合金、塑料、陶瓷和半导体)的物理特性供给了新的或许。

　　这种测验在广泛的工业运用领域中都很重要，包含在各种金属结构的传统和数字制作(3D打印)、工程部件的资料质量检验以及功能和本钱的优化中。

　　近来，一个由来自麻省理工学院、布朗大学和新加坡南洋理工大学(NTU)的研讨人员组成的世界研讨团队开发了一种新的剖析技能，这种技能能够进步经过外表化压痕对金属资料力学功能的估量，其准确度是现有办法的20倍。

　　他们的发现宣布在近来的《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)的一篇论文中，论文将压痕试验与运用最新机器学习东西对资料进行核算建模相结合。

　　“压痕是测验机械功能的一种非常好的办法，” 资深作者Ming Dao说，特别是在只要小样本可供测验的情况下。

　　他说:“当你企图开发新资料时，你一般只要少数的资料，你能够运用压痕或纳米压痕来测验适当少数的资料。”

　　这样的测验关于弹性功能来说是适当准确的也便是说，资料在被戳过之后会弹回到本来的形状。

　　可是当施加的力超过了资料的“屈从强度”也便是戳在表面上留下耐久痕迹的那一点这就叫做塑性变形，传统的压痕测验就变得不那么准确了。

　　压痕能够用来确认硬度，但Dao解说说:“硬度仅仅资料的弹性和塑性功能的组合。”它不是一个能够直接用于规划意图的“洁净”参数。

　　可是在屈从强度或屈从强度以外的功能，即资料开端不可逆变形的强度，关于取得资料在工程运用中的适用性是很重要的。”

　　他们的新办法不需求对试验设备或操作进行任何更改，而是供给了一种处理数据以进步猜测准确性的办法。

　　经过运用一个先进的神经网络机器学习体系,研讨小组发现, 将实在的试验数据和核算机生成的不同精度的“组成”数据(一种所谓的多保真深度学习办法)进行精心规划的集成，能够生成工业运用程序测验资料所需的那种快速、简略但高度准确的数据。

　　但研讨小组发现, 运用很多低本钱的组成数据进行神经网络练习，然后参加相对较少的实在试验数据点大约在3到20个之间，而不是1000个或更准确的数据集(虽然本钱很高)能够明显进步成果的准确性。

　　此外，他们运用已树立的份额规律来进一步削减掩盖一切工程金属和合金的参数空间所需的练习数据集的数量。

　　更重要的是，作者发现大部分耗时的练习进程能够提前完成，这样，为了评价实践测验，能够在需求的时分增加少数实在的试验成果进行“校准”练习，然后得到高度准确的成果。

　　马德里IMDEA资料研讨所科学主任Javier Llorca没有参加此研讨，表明这种新办法运用机器学习战略来进步猜测的准确性，在快速测验3D打印组件的机械功能方面有着巨大潜力，然后有助于完成更准确的规划。

　　加州理工学院的Ares Rosakis教授也没有参加这项作业，他说这种办法“带来了明显的核算功率和史无前例的机械功能猜测准确性最重要的是，它为保证机械功能的一致性以及3d打印杂乱几许结构组件的制作再现性供给了曾经无法取得的全新视角，而传统测验是不或许完成的。”

　　Dao说，原则上，他们运用的根本进程能够扩展并运用于触及机器学习的许多其他类型的问题。这个主意能够推行到处理其他具有挑战性的工程问题上。

　　“运用实在的试验数据有助于补偿在组成数据中假定的理想化条件，其间压头顶级的形状是彻底尖利的，压头的运动是彻底滑润的，等等。”