インペリアル カレッジ ロンドンで開発された新しいアルゴリズムは、複合材料の 2D 画像を 3D 構造に変換できます。
機械学習アルゴリズムは、材料科学者やメーカーが、バッテリー電極や航空機部品などの複合材料の設計と製造を 3D で研究し、改善するのに役立つ可能性があります。
異なる素材を組み合わせた複合材料の2次元断面データを利用 材料 独特の物理的および化学的特性を備えたアルゴリズムにより、断面の寸法を拡張して 3D コンピューター化モデルに変換できます。これにより、科学者は複合材料のさまざまな材料、つまり「相」と、それらがどのように組み合わされるかを研究することができます。
このツールは、複合材料の 2D 断面がどのように見えるかを学習し、それらの位相を 3D 空間で研究できるように拡大します。 将来的には、科学者や製造業者が複合材料の層構造を研究できるようにすることで、これらのタイプの材料の設計を最適化するために使用できるようになる可能性があります。
研究者たちは、彼らの技術が、物理的な 3D オブジェクトから 3D コンピューター表現を作成するよりも安価で高速であることを発見しました。 また、現在の技術ではより困難な、材料内の異なる相をより明確に特定することもできました。
材料を複合材料として組み合わせると、各コンポーネントの最高の特性を活用できますが、材料の配置がパフォーマンスに大きく影響するため、それらを詳細に調査することは困難な場合があります。 このアルゴリズムにより、研究者は 2D 画像データを取得して、すべて同じ特性を持つ 3D 構造を生成できるため、より現実的なシミュレーションを実行できます。
2 次元の複合材料の研究、設計、および製造は、現在困難な状況です。 3D 画像は安価に入手でき、研究者に高解像度と広い視野を提供し、異なる材料を区別するのに非常に優れています。 一方、XNUMXD イメージング技術は、多くの場合、高価で比較的ぼやけています。 また、解像度が低いため、コンポジット内の異なるフェーズを識別することも困難です。
たとえば、研究者は現在、3D イメージング技術を使用して、セラミック材料、炭素ポリメトリック結合剤、および液相の細孔で構成されるバッテリー電極内の材料を特定することはできません。
この研究では、研究者たちは2014年に発明された「ディープ畳み込み生成的敵対ネットワーク」(DC-GAN)と呼ばれる新しい機械学習技術を使用しました。
2 つのニューラル ネットワークを互いに競合させるこのアプローチは、3D を 2D に変換するためのツールの中心です。 一方のニューラル ネットワークは 3D 画像を表示して認識を学習し、もう一方は「偽の」2D バージョンを作成しようとします。 最初のネットワークが「偽の」3D バージョンのすべての XNUMXD スライスを調べて、それらが「本物」であると判断した場合、そのバージョンを使用して、関心のある材料特性をシミュレートできます。
同じアプローチにより、研究者はさまざまな材料や組成を使用して、以前よりもはるかに高速にシミュレーションを実行できるようになり、より優れた複合材料の検索が加速します。
バッテリーなどの複合材料を含む多くのデバイスのパフォーマンスは、マイクロスケールでのコンポーネントの 3D 配置に密接に関係しています。 ただし、これらの材料を十分に詳細に 3D イメージングするのは骨の折れる作業です。 研究者たちは、彼らの新しい機械学習ツールが、多くのシナリオで高価な 3D イメージング マシンへの依存を取り除くことによって、材料設計コミュニティに力を与えることを望んでいます。
二次元スライスから三次元構造を生成 生々しい 敵対的ネットワークベースの次元拡張。