Um novo algoritmo desenvolvido no Imperial College London pode converter imagens 2D de materiais compostos em estruturas 3D.
O algoritmo de aprendizado de máquina pode ajudar cientistas e fabricantes de materiais a estudar e melhorar o projeto e a produção de materiais compostos, como eletrodos de bateria e peças de aeronaves em 3D.
Usando dados de seções transversais 2D de materiais compósitos, que são feitos pela combinação de diferentes materiais com propriedades físicas e químicas distintas, o algoritmo pode expandir as dimensões das seções transversais para convertê-las em modelos computadorizados 3D. Isto permite aos cientistas estudar os diferentes materiais, ou “fases”, de um compósito e como eles se encaixam.
A ferramenta aprende como são as seções transversais 2D de composições e as dimensiona para que suas fases possam ser estudadas em um espaço 3D. No futuro, ele poderá ser usado para otimizar os projetos desses tipos de materiais, permitindo que cientistas e fabricantes estudem a arquitetura em camadas dos compósitos.
Os pesquisadores descobriram que sua técnica é mais barata e mais rápida do que criar representações de computador 3D a partir de objetos 3D físicos. Também foi capaz de identificar com mais clareza as diferentes fases dos materiais, o que é mais difícil de fazer com as técnicas atuais.
Combinar materiais como compostos permite que você aproveite as melhores propriedades de cada componente, mas estudá-los em detalhes pode ser desafiador, pois a disposição dos materiais afeta fortemente o desempenho. O algoritmo permite aos pesquisadores pegar seus dados de imagem 2D e gerar estruturas 3D com todas as mesmas propriedades, o que lhes permite realizar simulações mais realistas.
Estudar, projetar e fabricar materiais compostos em três dimensões é atualmente um desafio. Imagens 2D são baratas de se obter e fornecem aos pesquisadores alta resolução, amplos campos de visão e são muito boas em distinguir os diferentes materiais. Por outro lado, as técnicas de imagem 3D costumam ser caras e comparativamente embaçadas. Sua baixa resolução também dificulta a identificação de diferentes fases em um composto.
Por exemplo, os pesquisadores atualmente não conseguem identificar materiais dentro dos eletrodos da bateria, que consistem em material cerâmico, ligantes polimétricos de carbono e poros para a fase líquida, usando técnicas de imagem 3D.
Neste estudo, os pesquisadores usaram uma nova técnica de aprendizado de máquina chamada 'redes adversas gerativas convolucionais profundas' (DC-GANs), que foi inventada em 2014.
Essa abordagem, em que duas redes neurais são feitas para competir entre si, é o cerne da ferramenta para a conversão de 2D em 3D. Uma rede neural vê as imagens 2D e aprende a reconhecê-las, enquanto a outra tenta fazer versões 3D “falsas”. Se a primeira rede olhar para todas as fatias 2D na versão 3D “falsa” e pensar que são “reais”, então as versões podem ser usadas para simular qualquer propriedade do material de interesse.
A mesma abordagem também permite que os pesquisadores façam simulações usando diferentes materiais e composições muito mais rápido do que era possível anteriormente, o que irá acelerar a busca por melhores compostos.
O desempenho de muitos dispositivos que contêm materiais compostos, como baterias, está intimamente ligado ao arranjo 3D de seus componentes em microescala. No entanto, a imagem 3D desses materiais com detalhes suficientes pode ser trabalhosa. Os pesquisadores esperam que sua nova ferramenta de aprendizado de máquina capacite a comunidade de design de materiais, eliminando a dependência de caras máquinas de imagens 3D em muitos cenários.
Gerar estruturas tridimensionais a partir de uma fatia bidimensional com generativo expansão de dimensionalidade baseada em rede adversária.