O algoritmo de aprendizado de ma¡quina pode ajudar cientistas e fabricantes de materiais a estudar e melhorar o design e a produção de materiais compostos, como eletrodos de bateria e pea§as de aeronaves em 3D.

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 asDimensões das seções transversais para convertaª-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 émais barata e mais rápida do que criar representações de computador 3D a partir de objetos 3D fa­sicos. Tambanãm foi capaz de identificar com mais clareza as diferentes fases dos materiais, o que émais difa­cil 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 vocêaproveite as melhores propriedades de cada componente , mas estuda¡-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 trêsDimensões éatualmente 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 embaa§adas. 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 cera¢mico, ligantes polimanãtricos de carbono e poros para a fase la­quida, usando técnicas de imagem 3D.

Neste estudo, os pesquisadores usaram uma nova técnica de aprendizado de ma¡quina 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, éo cerne da ferramenta para a conversão de 2D em 3D. Uma rede neural vaª as imagens 2D e aprende a reconhecaª-las, enquanto a outra tenta fazer versaµes 3D “falsas”. Se a primeira rede olhar para todos os cortes 2D na versão 3D “falsa” e pensar que eles são “reais”, então as versaµes podem ser usadas para simular qualquer propriedade de material de interesse.

A mesma abordagem também permite que os pesquisadores fazm simulações usando diferentes materiais e composições muito mais rápido do que era possí­vel anteriormente, o que ira¡ 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 contem materiais compostos, como baterias, estãointimamente 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 ma¡quina capacite a comunidade de design de materiais, eliminando a dependaªncia de caras ma¡quinas 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 .