Tecnologia Científica

Nova ferramenta de aprendizado de máquina converte imagens de materiais 2D em estruturas 3D
Um novo algoritmo desenvolvido no Imperial College London pode converter imagens 2D de materiais compostos em estruturas 3D.
Por Caroline Brogan - 07/04/2021


Imagens: Steve Kench, Imperial College London

O algoritmo de aprendizado de máquina pode ajudar cientistas e fabricantes de materiais a estudar e melhorar o design e a produção de materiais compostos, como eletrodos de bateria e peças de aeronaves em 3D.

"Nosso algoritmo permite que os pesquisadores tomem seus dados de imagem 2D e gerem estruturas 3D com todas as mesmas propriedades, o que lhes permite realizar simulações mais realistas".

Steve Kench
Dyson School of Design Engineering

Usando dados de seções transversais 2D de materiais compostos, que são feitos pela combinação de diferentes materiais com propriedades físicas e químicas distintas, o algoritmo pode expandir as dimensões das seções transversais para convertê-las em modelos computadorizados 3D. Isso permite que os cientistas estudem os diferentes materiais, ou 'fases', de um composto e como eles se encaixam.

A ferramenta aprende como são as seções transversais 2D de composições e as dimensiona para que suas fases possam ser estudadas em um espaço 3D. No futuro, ele poderia ser usado para otimizar os projetos desses tipos de materiais, permitindo que cientistas e fabricantes estudassem a arquitetura em camadas dos compósitos.

Os pesquisadores descobriram que sua técnica é mais barata e mais rápida do que criar representações de computador 3D a partir de objetos 3D físicos. Também foi capaz de identificar com mais clareza as diferentes fases dos materiais, o que é mais difícil de fazer com as técnicas atuais.

Os resultados foram publicados na Nature Machine Intelligence .

O autor principal do artigo Steve Kench , aluno de doutorado no grupo de Ferramentas para Aprendizagem, Design e Pesquisa (TLDR) na Escola de Engenharia de Design da Imperial's Dyson , disse: “Combinar materiais como compostos permite que você aproveite as melhores propriedades de cada componente , mas estudá-los em detalhes pode ser desafiador, pois a disposição dos materiais afeta fortemente o desempenho. Nosso algoritmo permite que os pesquisadores tomem seus dados de imagem 2D e gerem estruturas 3D com todas as mesmas propriedades, o que lhes permite realizar simulações mais realistas. ”

Estudar, projetar e fabricar materiais compostos em três dimensões é atualmente um desafio. Imagens 2D são baratas de se obter e fornecem aos pesquisadores alta resolução, amplos campos de visão e são muito boas em distinguir os diferentes materiais. Por outro lado, as técnicas de imagem 3D costumam ser caras e comparativamente embaçadas. Sua baixa resolução também dificulta a identificação de diferentes fases em um composto.

Por exemplo, os pesquisadores atualmente não conseguem identificar materiais dentro dos eletrodos da bateria, que consistem em material cerâmico, ligantes polimétricos de carbono e poros para a fase líquida, usando técnicas de imagem 3D.

"A geração de imagens em 3D desses materiais com detalhes suficientes pode ser trabalhosa. Esperamos que nossa nova ferramenta de aprendizado de máquina capacite a comunidade de design de materiais".

Dr. Sam Cooper
Dyson School of Design Engineering

Neste estudo, os pesquisadores usaram uma nova técnica de aprendizado de máquina chamada 'redes adversas gerativas convolucionais profundas' (DC-GANs), que foi inventada em 2014.

Essa abordagem, em que duas redes neurais são feitas para competir entre si, é o cerne da ferramenta para a conversão de 2D em 3D. Uma rede neural vê as imagens 2D e aprende a reconhecê-las, enquanto a outra tenta fazer versões 3D “falsas”. Se a primeira rede olhar para todos os cortes 2D na versão 3D “falsa” e pensar que eles são “reais”, então as versões podem ser usadas para simular qualquer propriedade de material de interesse.

A mesma abordagem também permite que os pesquisadores façam simulações usando diferentes materiais e composições muito mais rápido do que era possível anteriormente, o que irá acelerar a busca por melhores compostos.

O coautor, Dr. Sam Cooper , que lidera o grupo TLDR na Dyson School of Design Engineering, disse: “O desempenho de muitos dispositivos que contêm materiais compostos, como baterias, está intimamente ligado ao arranjo 3D de seus componentes em microescala . No entanto, a imagem 3D desses materiais com detalhes suficientes pode ser trabalhosa. Esperamos que nossa nova ferramenta de aprendizado de máquina capacite a comunidade de design de materiais, eliminando a dependência de caras máquinas de imagens 3D em muitos cenários. ”

Este projeto foi financiado pela EPSRC Faraday Institution Projeto de modelagem multiescala.

“Gerando estruturas tridimensionais de uma fatia bidimensional com expansão de dimensionalidade baseada em rede adversarial generativa” por Steve Kench e Samuel J. Cooper, publicado em 5 de abril de 2021 na Nature Machine Intelligence .

 

.
.

Leia mais a seguir