เครื่องมือการเรียนรู้ของเครื่องใหม่แปลงภาพวัสดุ 2 มิติเป็นโครงสร้าง 3 มิติ

อัลกอริธึมการเรียนรู้ของเครื่องสามารถช่วยให้นักวิทยาศาสตร์วัสดุและผู้ผลิตสามารถศึกษาและปรับปรุงการออกแบบและการผลิตวัสดุผสมเช่นขั้วไฟฟ้าแบตเตอรี่และชิ้นส่วนเครื่องบินในรูปแบบ 3 มิติ

การใช้ข้อมูลจากหน้าตัด 2 มิติของวัสดุคอมโพสิตซึ่งเกิดจากการรวมวัสดุต่างๆ วัสดุ ด้วยคุณสมบัติทางกายภาพและเคมีที่แตกต่างกัน อัลกอริธึมจึงสามารถขยายขนาดของหน้าตัดเพื่อแปลงเป็นแบบจำลองทางคอมพิวเตอร์ 3 มิติได้ ช่วยให้นักวิทยาศาสตร์สามารถศึกษาวัสดุต่างๆ หรือ "ระยะ" ของคอมโพสิตและวิธีการประกอบเข้าด้วยกัน

เครื่องมือนี้จะเรียนรู้ว่าส่วนตัดขวาง 2 มิติของคอมโพสิตมีลักษณะอย่างไรและปรับขนาดให้ใหญ่ขึ้นเพื่อให้สามารถศึกษาขั้นตอนในพื้นที่ 3 มิติได้ ในอนาคตสามารถใช้เพื่อเพิ่มประสิทธิภาพการออกแบบวัสดุประเภทนี้โดยอนุญาตให้นักวิทยาศาสตร์และผู้ผลิตศึกษาสถาปัตยกรรมชั้นของวัสดุผสม

นักวิจัยพบว่าเทคนิคของพวกเขาถูกกว่าและเร็วกว่าการสร้างการแสดงคอมพิวเตอร์ 3 มิติจากวัตถุ 3 มิติทางกายภาพ นอกจากนี้ยังสามารถระบุขั้นตอนต่างๆภายในวัสดุได้ชัดเจนยิ่งขึ้นซึ่งทำได้ยากกว่าโดยใช้เทคนิคปัจจุบัน

การรวมวัสดุเป็นวัสดุผสมช่วยให้คุณสามารถใช้ประโยชน์จากคุณสมบัติที่ดีที่สุดของแต่ละส่วนประกอบได้ แต่การศึกษาในรายละเอียดอาจเป็นเรื่องที่ท้าทายเนื่องจากการจัดเรียงวัสดุมีผลต่อประสิทธิภาพอย่างมาก อัลกอริทึมช่วยให้นักวิจัยใช้ข้อมูลภาพ 2 มิติและสร้างโครงสร้าง 3 มิติที่มีคุณสมบัติเหมือนกันทั้งหมดซึ่งช่วยให้สามารถจำลองสถานการณ์ได้เหมือนจริงมากขึ้น

การศึกษาออกแบบและผลิตวัสดุคอมโพสิตในรูปแบบสามมิติเป็นสิ่งที่ท้าทายอยู่ในขณะนี้ ภาพ 2 มิติมีราคาถูกในการจัดหาและให้ความละเอียดสูงแก่นักวิจัยมีมุมมองที่กว้างและสามารถแยกแยะวัสดุต่างๆ ในทางกลับกันเทคนิคการถ่ายภาพ 3 มิติมักมีราคาแพงและค่อนข้างพร่ามัว ความละเอียดต่ำทำให้ยากที่จะระบุระยะต่างๆภายในคอมโพสิต

ตัวอย่างเช่นขณะนี้นักวิจัยไม่สามารถระบุวัสดุภายในขั้วไฟฟ้าแบตเตอรี่ซึ่งประกอบด้วยวัสดุเซรามิกสารยึดเกาะคาร์บอนโพลีเมตริกและรูพรุนสำหรับเฟสของเหลวโดยใช้เทคนิคการถ่ายภาพ 3 มิติ

ในการศึกษานี้นักวิจัยได้ใช้เทคนิคการเรียนรู้ของเครื่องใหม่ที่เรียกว่า 'deep convolutional generative adversarial networks' (DC-GANs) ซึ่งคิดค้นขึ้นในปี 2014

แนวทางนี้ซึ่งสร้างเครือข่ายประสาทเทียมสองเครือข่ายเพื่อแข่งขันกันเป็นหัวใจสำคัญของเครื่องมือในการแปลง 2D เป็น 3D โครงข่ายประสาทเทียมเส้นหนึ่งจะแสดงภาพ 2 มิติและเรียนรู้ที่จะจดจำภาพเหล่านั้นในขณะที่อีกเส้นหนึ่งพยายามสร้างเวอร์ชัน 3 มิติ "ปลอม" หากเครือข่ายแรกดูชิ้นส่วน 2 มิติทั้งหมดในเวอร์ชัน 3 มิติ "ปลอม" และคิดว่าเป็น "ของจริง" เวอร์ชันดังกล่าวสามารถใช้เพื่อจำลองคุณสมบัติของวัสดุที่สนใจได้

วิธีการเดียวกันนี้ยังช่วยให้นักวิจัยเรียกใช้การจำลองโดยใช้วัสดุและองค์ประกอบที่แตกต่างกันได้เร็วกว่าที่เคยทำได้ซึ่งจะช่วยเร่งการค้นหาวัสดุผสมที่ดีขึ้น

ประสิทธิภาพของอุปกรณ์จำนวนมากที่มีวัสดุคอมโพสิตเช่นแบตเตอรี่มีความสัมพันธ์อย่างใกล้ชิดกับการจัดเรียง 3 มิติของส่วนประกอบที่กล้องจุลทรรศน์ อย่างไรก็ตามการถ่ายภาพ 3 มิติของวัสดุเหล่านี้โดยมีรายละเอียดเพียงพออาจเป็นเรื่องที่ต้องใช้ความพยายาม นักวิจัยหวังว่าเครื่องมือแมชชีนเลิร์นนิงใหม่ของพวกเขาจะช่วยเพิ่มศักยภาพให้กับชุมชนการออกแบบวัสดุโดยการกำจัดการพึ่งพาเครื่องสร้างภาพ 3 มิติราคาแพงในหลาย ๆ สถานการณ์

การสร้างโครงสร้างสามมิติจากชิ้นงานสองมิติด้วย กำเนิด การขยายมิติตามเครือข่ายฝ่ายตรงข้าม