يمكن لخوارزمية جديدة تم تطويرها في إمبريال كوليدج لندن تحويل الصور ثنائية الأبعاد للمواد المركبة إلى هياكل ثلاثية الأبعاد.
يمكن أن تساعد خوارزمية التعلم الآلي علماء المواد والمصنعين على دراسة وتحسين تصميم وإنتاج المواد المركبة مثل أقطاب البطارية وأجزاء الطائرات ثلاثية الأبعاد.
استخدام بيانات من مقاطع عرضية ثنائية الأبعاد للمواد المركبة، والتي يتم تصنيعها من خلال الجمع بين مواد مختلفة المواد وبخصائص فيزيائية وكيميائية متميزة، يمكن للخوارزمية توسيع أبعاد المقاطع العرضية لتحويلها إلى نماذج محوسبة ثلاثية الأبعاد. يتيح ذلك للعلماء دراسة المواد المختلفة، أو "الأطوار"، للمركب وكيفية تناسبها معًا.
تتعرف الأداة على شكل المقاطع العرضية ثنائية الأبعاد للمركبات وتقوم بقياسها بحيث يمكن دراسة مراحلها في مساحة ثلاثية الأبعاد. يمكن استخدامه في المستقبل لتحسين تصميمات هذه الأنواع من المواد من خلال السماح للعلماء والمصنعين بدراسة بنية الطبقات للمركبات.
وجد الباحثون أن أسلوبهم أرخص وأسرع من إنشاء تمثيلات كمبيوتر ثلاثية الأبعاد من كائنات مادية ثلاثية الأبعاد. كما تمكنت أيضًا من تحديد المراحل المختلفة داخل المواد بشكل أكثر وضوحًا ، وهو أمر يصعب القيام به باستخدام التقنيات الحالية.
يتيح لك الجمع بين المواد كمواد مركبة الاستفادة من أفضل خصائص كل مكون ، ولكن دراستها بالتفصيل قد يكون أمرًا صعبًا لأن ترتيب المواد يؤثر بشدة على الأداء. تسمح الخوارزمية للباحثين بأخذ بيانات صورهم ثنائية الأبعاد وإنشاء هياكل ثلاثية الأبعاد بنفس الخصائص ، مما يسمح لهم بإجراء عمليات محاكاة أكثر واقعية.
تمثل دراسة وتصميم وتصنيع المواد المركبة ذات الأبعاد الثلاثة تحديًا في الوقت الحالي. الصور ثنائية الأبعاد رخيصة للحصول عليها وتعطيها دقة عالية ، ومجالات رؤية واسعة ، وهي جيدة جدًا في تمييز المواد المختلفة عن بعضها. من ناحية أخرى ، غالبًا ما تكون تقنيات التصوير ثلاثي الأبعاد باهظة الثمن وضبابية نسبيًا. تجعل الدقة المنخفضة أيضًا من الصعب تحديد المراحل المختلفة داخل المركب.
على سبيل المثال ، لا يستطيع الباحثون حاليًا تحديد المواد داخل أقطاب البطارية ، والتي تتكون من مادة خزفية ، ومواد رابطة كربون متعددة المقاييس ، ومسام للمرحلة السائلة ، باستخدام تقنيات التصوير ثلاثي الأبعاد.
في هذه الدراسة ، استخدم الباحثون تقنية جديدة للتعلم الآلي تسمى "شبكات الخصومة التلافيفية العميقة التوليفية" (DC-GANs) والتي تم اختراعها في عام 2014.
هذا النهج ، حيث يتم إنشاء شبكتين عصبيتين للتنافس ضد بعضهما البعض ، هو في صميم الأداة لتحويل 2D إلى 3D. تعرض إحدى الشبكات العصبية الصور ثنائية الأبعاد وتتعلم التعرف عليها ، بينما تحاول الأخرى إنشاء نسخ ثلاثية الأبعاد "مزيفة". إذا نظرت الشبكة الأولى إلى جميع الشرائح ثنائية الأبعاد في الإصدار ثلاثي الأبعاد "المزيف" وتعتقد أنها "حقيقية" ، فيمكن عندئذٍ استخدام الإصدارات لمحاكاة أي خاصية مادية ذات أهمية.
يسمح نفس النهج أيضًا للباحثين بتشغيل عمليات المحاكاة باستخدام مواد وتركيبات مختلفة بشكل أسرع بكثير مما كان ممكنًا في السابق ، مما سيسرع البحث عن مركبات أفضل.
يرتبط أداء العديد من الأجهزة التي تحتوي على مواد مركبة ، مثل البطاريات ، ارتباطًا وثيقًا بالترتيب ثلاثي الأبعاد لمكوناتها على المستوى المجهري. ومع ذلك ، قد يكون التصوير ثلاثي الأبعاد لهذه المواد بتفاصيل كافية أمرًا شاقًا. يأمل الباحثون أن تعمل أداة التعلم الآلي الجديدة الخاصة بهم على تمكين مجتمع تصميم المواد من خلال التخلص من الاعتماد على آلات التصوير ثلاثية الأبعاد باهظة الثمن في العديد من السيناريوهات.
توليد هياكل ثلاثية الأبعاد من شريحة ثنائية الأبعاد باستخدام توليدي توسيع الأبعاد القائمة على شبكة الخصومة.