Машинное обучение преобразует 2D-изображения материалов в 3D-структуры

Ученые Имперского колледжа Лондона разработали алгоритм искусственного интеллекта, который преобразует 2D-изображения композитных материалов в 3D-структуры.

Решение поможет материаловедам и производителям в изучении и улучшении конструкций, в производстве композитных материалов, изготавливаемых методами 3D-печати.

Сейчас подобное изучение композитных материалов, создаваемых методом трехмерной печати – сложная задача. Так, ученые не могут идентифицировать элементы внутри электродов батареи, которые состоят из керамического материала, углеродных полиметрических связующих и пор для жидкой фазы с помощью методов трехмерной визуализации.

Новый алгоритм, используя данные из двумерных поперечных сечений композитных материалов, может конвертировать их в трехмерные компьютеризированные модели. Это позволяет ученым изучать различные материалы или «фазы» композита и то, как они сочетаются друг с другом.

В проведенном исследовании ученые использовали глубокие сверточные генеративные состязательные сети (DC-GAN). Одна нейронная сеть демонстрирует 2D-изображения и учится их распознавать, в то время как другая пытается создавать «поддельные» версии 3D-моделей. Если первая сеть при анализе всех 2D-сечений в «фальшивой» 3D-версии распознает их как «настоящие», то эти версии можно использовать для моделирования любого интересующего свойства материала.

Исследователи обнаружили, что разработанный метод дешевле и быстрее, чем создание трехмерных компьютерных изображений физических объектов. Инструмент также смог более четко идентифицировать различные фазы в материалах, что непросто реализовать с применение современных методов. Кроме значительной точности, алгоритм позволяет повысить скорость моделирования интересующих сочетаний, что ускорит поиск лучших композитов.

Результаты исследования опубликованы в журнале Nature Machine Intelligence.