材料的性能和行為在很大程度上取決于其微觀結(jié)構(gòu)，而微觀結(jié)構(gòu)又受到制造條件的限制。而對這些關(guān)系的洞察方面，物理模擬發(fā)揮著重要作用，有助于為下一代材料的設(shè)計提供關(guān)鍵的信息支持。

尤其重要的是，許多材料在應(yīng)力下的變形，或流體流經(jīng)多孔介質(zhì)時不能單獨使用 2D 數(shù)據(jù)進行精確建模。因此，用于提取這些特性的模擬技術(shù)的保真度部分將取決于 3D 微觀結(jié)構(gòu)數(shù)據(jù)集的質(zhì)量。

但很長一段時間以來，3D 復(fù)合材料的研究、設(shè)計和制造都是一大挑戰(zhàn)。通常 2D 圖像方法擅長甄別不同的材料，特點是成像高分辨率、視野寬，且成本低廉。對比之下，3D 成像技術(shù)不但價格昂貴，而且成像相對模糊，因此，其低分辨率的劣勢大大限制了這種方式在復(fù)合材料識別方面的應(yīng)用，例如，目前 3D 成像技術(shù)無法識別陶瓷材料、碳多聚粘合劑和液相孔等電池電極內(nèi)的材料。

近日，倫敦帝國理工學(xué)院（Imperial College London）的研究人員開發(fā)出一種新型機器學(xué)習(xí)算法，能夠?qū)?2D 的復(fù)合材料圖像轉(zhuǎn)換為 3D 立體結(jié)構(gòu)，從而幫助相關(guān)制造商和材料科學(xué)家進一步研究和改進 3D 電池電極和飛機部件等復(fù)合材料的設(shè)計與生產(chǎn)制造。

相關(guān)成果于 2021 年 4 月 5 日發(fā)表在《自然-機器智能》（Nature Machine Intelligence）雜志上，論文標題為《基于生成對抗網(wǎng)絡(luò)的維度擴展將2D切片轉(zhuǎn)化為3D結(jié)構(gòu)》（Generating three-dimensional structures from a two-dimensional slice with generative adversarial network based dimension expansion）。

基于復(fù)合材料的 2D 橫截面數(shù)據(jù)，該算法將不同材料組合起來，而這些材料的物理、化學(xué)性質(zhì)不盡相同，然后擴展材料的橫截面的尺寸，進而將其轉(zhuǎn)換為3D計算機模型。這樣一來，科學(xué)家就能夠直觀地對復(fù)合材料的不同組成部分或“phases”，以及它們?nèi)绾谓M合起來進行仔細研究。

換句話說，該算法不僅能夠幫助人們觀察到復(fù)合材料的 2D 橫截面的細節(jié)，還會將其放大，把“phases”放置到 3D 空間中研究。只有明確了解與掌握研究復(fù)合材料的分層結(jié)構(gòu)，科學(xué)家及制造商才能在未來逐步優(yōu)化這類材料的設(shè)計。

該研究團隊指出，相比于利用物理 3D 對象創(chuàng)建 3D 計算機表示，他們的技術(shù)路線成本更低，效率也更高，并且，它還能夠更清晰地識別出復(fù)合材料內(nèi)部的不同的“phases”，而這正是該領(lǐng)域最大的技術(shù)難點之一，因此，該團隊此次的研究成果超越了當前的大多數(shù)技術(shù)方法。

“將不同材料進行組合成復(fù)合材料，可以讓我們充分利用每個組件的最佳性能，但由于材料的排列對性能有很大的影響，因此對其進行詳細的研究一直以來都是一個挑戰(zhàn)。通過我們的算法，研究人員將獲取他們的 2D 圖像數(shù)據(jù)，并生成所有特性保持一致的 3D 結(jié)構(gòu)，這使他們能夠進行更逼真的模擬?！闭撐牡闹饕髡摺⒌蹏砉W(xué)院戴森設(shè)計工程學(xué)院（Imperial‘s Dyson School of Design Engineering）學(xué)習(xí)、設(shè)計和研究工具（TLDR）小組的博士生史蒂夫·肯奇（Steve Kench）表示。

在這項研究中，研究人員使用了新型機器學(xué)習(xí)技術(shù)“深度卷積生成性對抗網(wǎng)絡(luò)”，英文為 Deep Convolutional Generative Adversarial Networks，簡稱 DC-GANs，該技術(shù)于 2014 年發(fā)明。生成性對抗網(wǎng)絡(luò)是一種非常有前景的候選模型，也是將 2D 轉(zhuǎn)換為 3D 的工具的核心。其由兩個神經(jīng)網(wǎng)絡(luò)組成：一個生成器 G，用于合成假樣本，另一個為鑒別器 D，用于從數(shù)據(jù)集中區(qū)分真假樣本。在訓(xùn)練過程中，G 和 D 迭代更新，使生成器能夠捕獲真實數(shù)據(jù)集的特征。

具體來說，就是讓兩個神經(jīng)網(wǎng)絡(luò)彼此之間形成競爭，其中，一個神經(jīng)網(wǎng)絡(luò)顯示 2D 圖像，并進行快速學(xué)習(xí)識別，然后另一個神經(jīng)網(wǎng)絡(luò)則試圖制作“假”的 3D 版本。如果第一個神經(jīng)網(wǎng)絡(luò)查看到“假”3D 版本中的所有 2D 切片，并把它們認定為“真的”，那么這些版本就可以用于模擬任何材質(zhì)的屬性。

該團隊將這種技術(shù)應(yīng)用到維度擴展的任務(wù)中，能夠以更快的速度對不同的材料進行組合，以更快找到性能更優(yōu)越的復(fù)合材料。

該研究的合著者之一、戴森設(shè)計工程學(xué)院 TLDR 小組負責人薩姆·庫珀（Sam Cooper）博士表示，“電池等許多包含復(fù)合材料的設(shè)備的性能，與其內(nèi)部組件在微觀尺度上的 3D 排列密切相關(guān)。但是，對這些材料進行足夠詳細的 3D 成像的難度非常大。我們希望我們的新機器學(xué)習(xí)工具能夠幫助材料設(shè)計界擺脫對昂貴的 3D 成像機的依賴?！?/p>

原文標題：英國科學(xué)家研發(fā)新型機器學(xué)習(xí)工具，能快速將2D材料圖像轉(zhuǎn)換為3D結(jié)構(gòu)

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq