新的机器学习工具将2D材质图像转换为3D结构

伦敦帝国理工学院开发的一种新算法可以将复合材料的2D图像转换为3D结构。该机器学习算法可以帮助材料科学家和生产厂家学习，提高像3D电池电极和飞机部件复合材料的设计和生产。

使用来自复合材料的2D横截面的数据，该数据是通过组合具有不同物理和化学特性的不同材料而制成的，该算法可以扩展横截面的尺寸，以将其转换为3D计算机模型。这使科学家能够研究复合材料的不同材料或“相”以及它们如何组合在一起。

该工具了解复合材料的2D横截面是什么样的并将其按比例放大，以便可以在3D空间中研究其相。通过允许科学家和制造商研究复合材料的分层结构，将来可以将其用于优化这些类型的材料的设计。

研究人员发现，与从物理3D对象创建3D计算机表示相比，他们的技术更便宜，更快捷。它也能够更清楚地识别材料中的不同相，而使用现有技术很难做到这一点。

研究结果发表在《自然机器智能》上。

该论文的主要作者史蒂夫·肯奇(Steve Kench)博士。帝国大学戴森设计工程学院的学习，设计和研究工具(TLDR)小组的学生说：“将材料组合为复合材料可以使您充分利用每个组件的最佳性能，但是要详细研究它们可能会遇到挑战。由于材料的排列会严重影响性能。我们的算法允许研究人员获取2D图像数据并生成具有相同属性的3D结构，从而使他们可以执行更逼真的仿真。”

目前，研究，设计和制造三维复合材料具有挑战性。2D图像价格便宜，可以为研究人员提供高分辨率，宽广的视野，并且擅长区分不同的材料。另一方面，3D成像技术通常很昂贵并且相对模糊。它们的低分辨率也使得很难识别复合材料中的不同相。

例如，研究人员目前无法使用3D成像技术来识别电池电极内的材料，这些材料由陶瓷材料，碳多指标粘合剂和液相孔组成。

在这项研究中，研究人员使用了一种新的机器学习技术，称为``深度卷积生成对抗网络''(DC-GAN)，该技术于2014年发明。

这种使两个神经网络相互竞争的方法是将2D转换为3D的工具的核心。一个神经网络显示2D图像并学会识别它们，而另一个则尝试制作“假” 3D版本。如果第一个网络查看“伪” 3D版本中的所有2D切片并认为它们是“真实的”，则可以使用这些版本来模拟任何感兴趣的材料属性。

通过相同的方法，研究人员可以使用不同的材料和成分进行模拟，比以前更快地进行模拟，这将加快寻找更好的复合材料的速度。

戴森设计工程学院TLDR小组负责人之一的合著者Sam Cooper博士说：“许多包含复合材料的设备(例如电池)的性能与电池组件的3D排列紧密相关。但是，对这些材料进行3D成像的细节可能非常艰辛。我们希望，我们的新型机器学习工具能够在许多情况下摆脱对昂贵的3D成像机的依赖，从而为材料设计界提供支持。”

史蒂夫·肯奇(Steve Kench)和塞缪尔·J·库珀(Samuel J.Cooper)于2021年4月5日在《自然机器智能》上发表了“利用基于生成的对抗网络的维数展开从二维切片生成三维结构” 。

标签： 机器学习工具