Ученые использовали нейронную сеть для реконструкции 3D-изображений волокнистых материалов
Реконструкция микроструктуры материалов— первый шаг в разработке полностью автоматического генеративного алгоритма, который позволит создавать инновационные материалы со свойствами, отвечающими требованиям конкретных приложений.
Исследователям Сколтеха и их коллегам из Лёвенского католического университета (Бельгия) удалось восстановить трехмерные изображения волокнистых материалов, полученных с помощью микрокомпьютерной томографии. Чтобы решить эту сложную и трудоемкую для человека задачу, ученые использовали методы машинного обучения.
Полученные результаты, опубликованные вжурнале Computational Materials Science, имеют важное значение для дальнейшего углубленного анализа свойств материалов.Микрокомпьютерная томография— незаменимое средство при исследовании трехмерной микроструктуры композитов, армированных волокном, и других сложных материалов. Однако использование этого метода связано с рядом дополнительных трудностей, таких как очень малые размеры образцов, наличие на изображениях артефактов и затененных областей, а также низкое качество, либо полное отсутствие отдельных фрагментов изображения.
Для решения этой непростой задачи ученые решили воспользоваться методами, которые реставраторы применяют при восстановлении произведений искусства— в частности, методом реконструирования дефектов, который уже широко применяется в цифровой обработке изображений.
Карамов участвует в исследованиях, проводимых под руководством директора Центра Сколтеха попроектированию, производственным технологиям и материалам (CDMM) профессора Искандера Ахатова и профессора Лёвенского католического университета Степана Ломова. Коллектив предложил использовать для задач реконструкции трехмерных изображений микрокомпьютерной томографии генеративно-состязательные сети (GAN) с 3D-кодировщиками и декодерами.
Как поясняют авторы, армирующие включения в композитных материалах, такие как волокна, могут иметь произвольную ориентацию в трех измерениях, поэтому приходится иметь дело именно с3D-изображениями, описывающими эту сложную внутреннюю микроструктуру. Поскольку добиться необходимой точности с помощью более привычных сверточных нейронных сетей не представлялось возможным, ученые решили использовать генеративно-состязательные сети.
Генеративно-состязательная нейросеть(Generative adversarial network,GAN) — архитектура, состоящая из генератора и дискриминатора, настроенных на работу друг против друга.Отсюда GAN и получила названиегенеративно-созтязательная.
«При восстановлении изображений с использованием GAN нужно обучать для этой цели не одну, а две конкурирующие между собой нейронные сети: генеративную сеть, формирующую „искусственные“ изображения, которые выглядят как подлинные; и дискриминативную сеть, задача которой— отличить „настоящие“ изображения от „искусственных“. Как говорил создатель GAN Ян Гудфеллоу, это напоминает соперничество между фальшивомонетчиками и полицейскими. Первые стремятся напечатать как можно больше фальшивых купюр, мало отличающихся по виду от настоящих, а вторые проверяют каждую купюру на предмет подлинности»,— поясняет Карамов.
Ученые протестировали три варианта архитектуры GAN, выбрав для этой цели изображения микрокомпьютерной томографии наиболее сложного образца— композита, армированного короткими стеклянными волокнами, не имеющего в своей структуре никаких повторов. Врезультате из трех вариантов исследователи выбрали архитектуру сети, в которой наиболее удачно сочетались высокое качество реконструкции, производительность и умеренное использование памяти графического процессора.
«Предложенный нами алгоритм позволяет устранять все дефекты на изображениях и, следовательно, более точно моделировать свойства материалов и прогнозировать качество конечного материала при условии устранения всех внутренних пор и пустот в его структуре в процессе производства»,— подчеркивает Карамов.
Реконструкция микроструктуры материалов— первый шаг в разработке полностью автоматического генеративного алгоритма, который позволит создавать инновационные материалы со свойствами, отвечающими требованиям конкретных приложений, добавляет он.