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

尤其重要的是，許多材料在應力下的變形，或流體流經多孔介質時不能單獨使用 2D 數據進行精確建模。因此，用于提取這些特性的模擬技術的保真度部分將取決于 3D 微觀結構數據集的質量。

但很長一段時間以來，3D 復合材料的研究、設計和制造都是一大挑戰。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合材料識別方面的應用，例如，目前 3D 成像技術無法識別陶瓷材料、碳多聚粘合劑和液相孔等電池電極內的材料。

近日，倫敦帝國理工學院（Imperial College London）的研究人員開發出一種新型機器學習算法，能夠將 2D 的復合材料圖像轉換為 3D 立體結構，從而幫助相關制造商和材料科學家進一步研究和改進 3D 電池電極和飛機部件等復合材料的設計與生產制造。

相關成果于 2021 年 4 月 5 日發表在《自然-機器智能》（Nature Machine Intelligence）雜志上，論文標題為《基于生成對抗網絡的維度擴展將2D切片轉化為3D結構》（Generating three-dimensional structures from a two-dimensional slice with generative adversarial network based dimension expansion）。

基于復合材料的 2D 橫截面數據，該算法將不同材料組合起來，而這些材料的物理、化學性質不盡相同，然后擴展材料的橫截面的尺寸，進而將其轉換為3D計算機模型。這樣一來，科學家就能夠直觀地對復合材料的不同組成部分或“phases”，以及它們如何組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合材料的 2D 橫截面的細節，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合材料的分層結構，科學家及制造商才能在未來逐步優化這類材料的設計。

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

“將不同材料進行組合成復合材料，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。通過我們的算法，研究人員將獲取他們的 2D 圖像數據，并生成所有特性保持一致的 3D 結構，這使他們能夠進行更逼真的模擬。”論文的主要作者、帝國理工學院戴森設計工程學院（Imperial‘s Dyson School of Design Engineering）學習、設計和研究工具（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習技術“深度卷積生成性對抗網絡”，英文為 Deep Convolutional Generative Adversarial Networks，簡稱 DC-GANs，該技術于 2014 年發明。生成性對抗網絡是一種非常有前景的候選模型，也是將 2D 轉換為 3D 的工具的核心。其由兩個神經網絡組成：一個生成器 G，用于合成假樣本，另一個為鑒別器 D，用于從數據集中區分真假樣本。在訓練過程中，G 和 D 迭代更新，使生成器能夠捕獲真實數據集的特征。

具體來說，就是讓兩個神經網絡彼此之間形成競爭，其中，一個神經網絡顯示 2D 圖像，并進行快速學習識別，然后另一個神經網絡則試圖制作“假”的 3D 版本。如果第一個神經網絡查看到“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的屬性。

該團隊將這種技術應用到維度擴展的任務中，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越的復合材料。

該研究的合著者之一、戴森設計工程學院 TLDR 小組負責人薩姆·庫珀（Sam Cooper）博士表示，“電池等許多包含復合材料的設備的性能，與其內部組件在微觀尺度上的 3D 排列密切相關。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習工具能夠幫助材料設計界擺脫對昂貴的 3D 成像機的依賴。”

原文標題：英國科學家研發新型機器學習工具，能快速將2D材料圖像轉換為3D結構

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq