Algoritme baru yang dikembangkan di Imperial College London dapat mengubah gambar 2D dari material komposit menjadi struktur 3D.
Algoritme pembelajaran mesin dapat membantu ilmuwan dan produsen material untuk mempelajari dan meningkatkan desain dan produksi material komposit seperti elektroda baterai dan komponen pesawat dalam 3D.
Menggunakan data penampang 2D material komposit, yang dibuat dengan menggabungkan berbeda bahan dengan sifat fisik dan kimia yang berbeda, algoritme dapat memperluas dimensi penampang untuk mengubahnya menjadi model terkomputerisasi 3D. Hal ini memungkinkan para ilmuwan untuk mempelajari berbagai material, atau “fase”, dari suatu komposit dan bagaimana mereka cocok satu sama lain.
Alat ini mempelajari penampang 2D dari komposit dan menskalakannya sehingga fase mereka dapat dipelajari dalam ruang 3D. Itu di masa depan dapat digunakan untuk mengoptimalkan desain jenis bahan ini dengan memungkinkan para ilmuwan dan produsen untuk mempelajari arsitektur berlapis komposit.
Para peneliti menemukan teknik mereka lebih murah dan lebih cepat daripada membuat representasi komputer 3D dari objek 3D fisik. Itu juga dapat lebih jelas mengidentifikasi fase yang berbeda di dalam materi, yang lebih sulit dilakukan dengan menggunakan teknik saat ini.
Menggabungkan material sebagai komposit memungkinkan Anda memanfaatkan properti terbaik dari setiap komponen, tetapi mempelajarinya secara mendetail dapat menjadi tantangan karena pengaturan material sangat memengaruhi kinerja. Algoritme ini memungkinkan para peneliti untuk mengambil data gambar 2D mereka dan menghasilkan struktur 3D dengan semua properti yang sama, yang memungkinkan mereka melakukan simulasi yang lebih realistis.
Mempelajari, mendesain, dan membuat material komposit dalam tiga dimensi saat ini merupakan tantangan. Gambar 2D murah untuk diperoleh dan memberikan resolusi tinggi, bidang pandang yang luas, dan sangat pandai membedakan materi yang berbeda. Di sisi lain, teknik pencitraan 3D seringkali mahal dan relatif kabur. Resolusi rendahnya juga menyulitkan untuk mengidentifikasi fase yang berbeda dalam komposit.
Misalnya, peneliti saat ini tidak dapat mengidentifikasi bahan di dalam elektroda baterai, yang terdiri dari bahan keramik, pengikat polimetrik karbon, dan pori-pori untuk fase cair, menggunakan teknik pencitraan 3D.
Dalam studi ini, para peneliti menggunakan teknik pembelajaran mesin baru yang disebut 'jaringan adversarial generatif konvolusional dalam' (DC-GAN) yang ditemukan pada tahun 2014.
Pendekatan ini, di mana dua jaringan saraf dibuat untuk bersaing satu sama lain, adalah inti dari alat untuk mengonversi 2D ke 3D. Satu jaringan saraf diperlihatkan gambar 2D dan belajar mengenalinya, sementara yang lain mencoba membuat versi 3D "palsu". Jika jaringan pertama melihat semua irisan 2D dalam versi 3D "palsu" dan mengira itu "nyata", maka versi tersebut dapat digunakan untuk mensimulasikan properti material apa pun yang diminati.
Pendekatan yang sama juga memungkinkan peneliti menjalankan simulasi menggunakan bahan dan komposisi yang berbeda jauh lebih cepat daripada sebelumnya, yang akan mempercepat pencarian komposit yang lebih baik.
Performa banyak perangkat yang mengandung material komposit, seperti baterai, terkait erat dengan pengaturan 3D komponennya pada skala mikro. Namun, pencitraan 3D materi ini dengan cukup detail bisa sangat melelahkan. Para peneliti berharap alat pembelajaran mesin baru mereka akan memberdayakan komunitas desain material dengan menyingkirkan ketergantungan pada mesin pencitraan 3D yang mahal dalam banyak skenario.
Menghasilkan struktur tiga dimensi dari potongan dua dimensi dengan generatif perluasan dimensi berbasis jaringan permusuhan.