英国科学家研发新型机器学习工具，能快速将2

材料的性能和行为在很大程度上取决于其微观结构，而微观结构又受到制造条件的限制。而对这些关系的洞察方面，物理模拟发挥着重要作用，有助于为下一代材料的设计提供关键的信息支持。

尤其重要的是，许多材料在应力下的变形，或流体流经多孔介质时不能单独使用 2D 数据进行精确建模。因此，用于提取这些特性的模拟技术的保真度部分将取决于 3D 微观结构数据集的质量。

但很长一段时间以来，3D 复合材料的研究、设计和制造都是一大挑战。通常 2D 图像方法擅长甄别不同的材料，特点是成像高分辨率、视野宽，且成本低廉。对比之下，3D 成像技术不但价格昂贵，而且成像相对模糊，因此，其低分辨率的劣势大大限制了这种方式在复合材料识别方面的应用，例如，目前 3D 成像技术无法识别陶瓷材料、碳多聚粘合剂和液相孔等电池电极内的材料。

近日，伦敦帝国理工学院（Imperial College London）的研究人员开发出一种新型机器学习算法，能够将 2D 的复合材料图像转换为 3D 立体结构，从而帮助相关制造商和材料科学家进一步研究和改进 3D 电池电极和飞机部件等复合材料的设计与生产制造。

相关成果于 2021 年 4 月 5 日发表在《自然-机器智能》（Nature Machine Intelligence）杂志上，论文标题为《基于生成对抗网络的维度扩展将2D切片转化为3D结构》(Generating three-dimensional structures from a two-dimensional slice with generative adversarial network based dimension expansion)。

基于复合材料的 2D 横截面数据，该算法将不同材料组合起来，而这些材料的物理、化学性质不尽相同，然后扩展材料的横截面的尺寸，进而将其转换为3D计算机模型。这样一来，科学家就能够直观地对复合材料的不同组成部分或“phases”，以及它们如何组合起来进行仔细研究。

换句话说，该算法不仅能够帮助人们观察到复合材料的 2D 横截面的细节，还会将其放大，把“phases”放置到 3D 空间中研究。只有明确了解与掌握研究复合材料的分层结构，科学家及制造商才能在未来逐步优化这类材料的设计。

该研究团队指出，相比于利用物理 3D 对象创建 3D 计算机表示，他们的技术路线成本更低，效率也更高，并且，它还能够更清晰地识别出复合材料内部的不同的“phases”，而这正是该领域最大的技术难点之一，因此，该团队此次的研究成果超越了当前的大多数技术方法。

“将不同材料进行组合成复合材料，可以让我们充分利用每个组件的最佳性能，但由于材料的排列对性能有很大的影响，因此对其进行详细的研究一直以来都是一个挑战。通过我们的算法，研究人员将获取他们的 2D 图像数据，并生成所有特性保持一致的 3D 结构，这使他们能够进行更逼真的模拟。”论文的主要作者、帝国理工学院戴森设计工程学院（Imperial's Dyson School of Design Engineering）学习、设计和研究工具（TLDR）小组的博士生史蒂夫·肯奇（Steve Kench）表示。

图 | 生成性对抗网络在各种微结构上的应用（来源：Imperial College London）

在这项研究中，研究人员使用了新型机器学习技术“深度卷积生成性对抗网络”，英文为 Deep Convolutional Generative Adversarial Networks，简称 DC-GANs，该技术于 2014 年发明。生成性对抗网络是一种非常有前景的候选模型，也是将 2D 转换为 3D 的工具的核心。其由两个神经网络组成：一个生成器 G，用于合成假样本，另一个为鉴别器 D，用于从数据集中区分真假样本。在训练过程中，G 和 D 迭代更新，使生成器能够捕获真实数据集的特征。

具体来说，就是让两个神经网络彼此之间形成竞争，其中，一个神经网络显示 2D 图像，并进行快速学习识别，然后另一个神经网络则试图制作“假”的 3D 版本。如果第一个神经网络查看到“假”3D 版本中的所有 2D 切片，并把它们认定为“真的”，那么这些版本就可以用于模拟任何材质的属性。

该团队将这种技术应用到维度扩展的任务中，能够以更快的速度对不同的材料进行组合，以更快找到性能更优越的复合材料。

该研究的合著者之一、戴森设计工程学院 TLDR 小组负责人萨姆·库珀（Sam Cooper）博士表示，“电池等许多包含复合材料的设备的性能，与其内部组件在微观尺度上的 3D 排列密切相关。但是，对这些材料进行足够详细的 3D 成像的难度非常大。我们希望我们的新机器学习工具能够帮助材料设计界摆脱对昂贵的 3D 成像机的依赖。”

文章来源：《功能材料与器件学报》 网址: http://www.gnclyqjxb.cn/zonghexinwen/2021/0415/718.html