Imperial College London에서 개발 된 새로운 알고리즘은 복합 재료의 2D 이미지를 3D 구조로 변환 할 수 있습니다.
기계 학습 알고리즘은 재료 과학자 및 제조업체가 배터리 전극 및 항공기 부품과 같은 복합 재료의 설계 및 생산을 3D로 연구하고 개선하는 데 도움이 될 수 있습니다.
서로 다른 재료를 결합하여 만들어진 복합재료의 2차원 단면 데이터를 활용 재료 뚜렷한 물리적, 화학적 특성을 지닌 알고리즘은 단면의 크기를 확장하여 이를 3D 컴퓨터 모델로 변환할 수 있습니다. 이를 통해 과학자들은 복합재의 다양한 재료 또는 "상"을 연구하고 이들이 어떻게 결합하는지 연구할 수 있습니다.
이 도구는 합성물의 2D 단면이 어떻게 생겼는지 학습하고 3D 공간에서 위상을 연구 할 수 있도록 확대합니다. 미래에는 과학자와 제조업체가 복합 재료의 계층 구조를 연구 할 수 있도록하여 이러한 유형의 재료 설계를 최적화하는 데 사용할 수 있습니다.
연구원들은 그들의 기술이 물리적 3D 물체로부터 3D 컴퓨터 표현을 만드는 것보다 저렴하고 빠르다는 것을 발견했습니다. 또한 재료 내에서 다른 단계를 더 명확하게 식별 할 수 있었는데, 이는 현재 기술로는 수행하기 더 어렵습니다.
재료를 복합 재료로 결합하면 각 구성 요소의 최상의 특성을 활용할 수 있지만 재료 배열이 성능에 큰 영향을 미치므로 세부적으로 연구하는 것이 어려울 수 있습니다. 이 알고리즘을 통해 연구원은 2D 이미지 데이터를 가져와 모든 동일한 속성을 가진 3D 구조를 생성 할 수 있으므로보다 사실적인 시뮬레이션을 수행 할 수 있습니다.
복합 재료를 2 차원으로 연구, 설계 및 제조하는 것은 현재 어려운 일입니다. 3D 이미지는 값이 저렴하여 연구자들에게 고해상도, 넓은 시야를 제공하며 서로 다른 재료를 구분하는 데 매우 능숙합니다. 반면에 XNUMXD 이미징 기술은 종종 비용이 많이 들고 비교적 흐릿합니다. 해상도가 낮기 때문에 합성물 내에서 다른 위상을 식별하기가 어렵습니다.
예를 들어, 연구원들은 현재 3D 이미징 기술을 사용하여 세라믹 재료, 탄소 폴리 메트릭 바인더 및 액상 기공으로 구성된 배터리 전극 내의 재료를 식별 할 수 없습니다.
이 연구에서 연구원들은 2014 년에 발명 된 '딥 컨볼 루션 생성 적대 네트워크 (DC-GAN)'라는 새로운 머신 러닝 기술을 사용했습니다.
두 개의 신경망이 서로 경쟁하도록 만들어지는이 접근 방식은 2D를 3D로 변환하는 도구의 핵심입니다. 하나의 신경망은 2D 이미지를 보여주고이를 인식하는 방법을 배우고 다른 하나는 "가짜"3D 버전을 만들려고합니다. 첫 번째 네트워크가 "가짜"2D 버전의 모든 3D 슬라이스를보고 "실제"라고 생각하면 해당 버전을 관심있는 모든 재료 속성을 시뮬레이션하는 데 사용할 수 있습니다.
또한 동일한 접근 방식을 통해 연구자들은 이전에 가능했던 것보다 훨씬 더 빠르게 다양한 재료와 구성을 사용하여 시뮬레이션을 실행할 수 있으므로 더 나은 복합재에 대한 검색이 가속화됩니다.
배터리와 같은 복합 재료를 포함하는 많은 장치의 성능은 마이크로 스케일에서 구성 요소의 3D 배열과 밀접하게 관련되어 있습니다. 그러나 이러한 재료를 충분히 자세하게 3D 이미징하는 것은 어려울 수 있습니다. 연구원들은 새로운 기계 학습 도구가 많은 시나리오에서 값 비싼 3D 이미징 기계에 대한 의존성을 제거함으로써 재료 설계 커뮤니티에 힘을 실어주기를 기대하고 있습니다.
XNUMX 차원 슬라이스에서 XNUMX 차원 구조 생성 생성적인 적대적 네트워크 기반 차원 확장.