研究人員利用新的基于圖像的機器學習技術改進材料開發
時間：2021-10-14 08:04 來源：中國3D打印網 作者：admin 閱讀：次
中國3D打印網10月14日訊，賓夕法尼亞州利哈伊大學的研究人員開發了一種基于機器學習的新型方法，可以根據結構相似性對材料組進行分類。在該團隊認為是同類研究中的第一項研究中，人工神經網絡被用于識別包含超過 25,000 幅材料顯微圖像的龐大數據庫中的結構相似性和趨勢。該技術可用于發現新材料開發之間的研究，甚至可以關聯結構和屬性等因素，從而可能為 3D 打印等領域提供一種新的計算材料開發方法。
該研究的主要作者 Joshua Agar 描述了該模型檢測結構對稱性的能力如何成為該項目成功的基石。他說：“我們工作的一個新穎之處在于，我們構建了一個特殊的神經網絡來理解對稱性，并將其用作特征提取器，使其更好地理解圖像。”
神經網絡的圖示顯示了來自超過 25,000 個壓電響應力顯微鏡圖像的數據庫的對稱性圖像相似性。圖片來自利哈伊大學。
結構與性能的關系
在材料研究中，了解材料的結構如何影響其性能是一個關鍵目標。盡管如此，由于結構的復雜性，目前還沒有廣泛使用的指標來可靠地確定材料的結構將如何影響其性能。隨著機器學習技術的興起，人工神經網絡已經證明自己是這一應用的潛在工具，但 Agar 仍然認為有兩個主要挑戰需要克服。
首先，材料研究實驗產生的絕大多數數據從未被機器學習模型分析過。這是因為生成的結果（通常以顯微成像的形式）很少以結構化和可用的方式存儲。結果也往往不會在實驗室之間共享，當然也沒有可以輕松訪問的集中式數據庫。這是一般材料研究中的一個問題，但由于更大的利基市場，在增材制造領域更是如此。
第二個問題是，神經網絡在學習如何識別結構對稱性和周期性——材料結構的周期性方面并不是很有效。由于這兩個特征對材料研究人員來說至關重要，因此使用神經網絡直到現在都面臨著巨大的挑戰。
通過機器學習進行相似性預測
Lehigh 的新型神經網絡旨在解決 Agar 所描述的兩個問題。除了能夠理解對稱性之外，該模型還能夠搜索非結構化圖像數據庫，以識別圖像之間的趨勢和投影相似性。它通過采用稱為統一流形近似和投影 (UMAP) 的非線性降維技術來實現。
Agar 解釋說，這種方法使團隊更容易消化數據的更高級別結構：“如果你訓練一個神經網絡，結果是一個向量，或者一組數字，它是特征的緊湊描述符。這些特征有助于對事物進行分類，以便學習一些相似性。然而，所產生的空間仍然相當大，因為你可能有 512 個或更多不同的特征。所以，你想把它壓縮成一個人類可以理解的空間，比如 2D 或 3D。”
Lehigh 團隊訓練了該模型以包含對稱感知特征，并將其用于一組非結構化的 25,133 幅壓電響應力顯微鏡圖像，這些圖像在加州大學伯克利分校的五年時間里收集。因此，他們能夠根據結構成功地將相似的材料組合在一起，為更好地理解結構-性能關系鋪平了道路。最終，這項工作展示了神經網絡如何與更好的數據管理相結合，可以加速增材制造和更廣泛的材料社區的材料開發研究。
使用自然圖像和對稱感知特征的 UMAP 投影的比較。圖片來自利哈伊大學。
該研究的主要作者 Joshua Agar 描述了該模型檢測結構對稱性的能力如何成為該項目成功的基石。他說：“我們工作的一個新穎之處在于，我們構建了一個特殊的神經網絡來理解對稱性，并將其用作特征提取器，使其更好地理解圖像。”
神經網絡的圖示顯示了來自超過 25,000 個壓電響應力顯微鏡圖像的數據庫的對稱性圖像相似性。圖片來自利哈伊大學。
結構與性能的關系
在材料研究中，了解材料的結構如何影響其性能是一個關鍵目標。盡管如此，由于結構的復雜性，目前還沒有廣泛使用的指標來可靠地確定材料的結構將如何影響其性能。隨著機器學習技術的興起，人工神經網絡已經證明自己是這一應用的潛在工具，但 Agar 仍然認為有兩個主要挑戰需要克服。
首先，材料研究實驗產生的絕大多數數據從未被機器學習模型分析過。這是因為生成的結果（通常以顯微成像的形式）很少以結構化和可用的方式存儲。結果也往往不會在實驗室之間共享，當然也沒有可以輕松訪問的集中式數據庫。這是一般材料研究中的一個問題，但由于更大的利基市場，在增材制造領域更是如此。
第二個問題是，神經網絡在學習如何識別結構對稱性和周期性——材料結構的周期性方面并不是很有效。由于這兩個特征對材料研究人員來說至關重要，因此使用神經網絡直到現在都面臨著巨大的挑戰。
通過機器學習進行相似性預測
Lehigh 的新型神經網絡旨在解決 Agar 所描述的兩個問題。除了能夠理解對稱性之外，該模型還能夠搜索非結構化圖像數據庫，以識別圖像之間的趨勢和投影相似性。它通過采用稱為統一流形近似和投影 (UMAP) 的非線性降維技術來實現。
Agar 解釋說，這種方法使團隊更容易消化數據的更高級別結構：“如果你訓練一個神經網絡，結果是一個向量，或者一組數字，它是特征的緊湊描述符。這些特征有助于對事物進行分類，以便學習一些相似性。然而，所產生的空間仍然相當大，因為你可能有 512 個或更多不同的特征。所以，你想把它壓縮成一個人類可以理解的空間，比如 2D 或 3D。”
Lehigh 團隊訓練了該模型以包含對稱感知特征，并將其用于一組非結構化的 25,133 幅壓電響應力顯微鏡圖像，這些圖像在加州大學伯克利分校的五年時間里收集。因此，他們能夠根據結構成功地將相似的材料組合在一起，為更好地理解結構-性能關系鋪平了道路。最終，這項工作展示了神經網絡如何與更好的數據管理相結合，可以加速增材制造和更廣泛的材料社區的材料開發研究。
使用自然圖像和對稱感知特征的 UMAP 投影的比較。圖片來自利哈伊大學。
中國3D打印網點評：機器學習的預測能力真正開始用于增材制造的許多方面。 來自阿貢國家實驗室和德克薩斯農工大學的研究人員此前開發了一種創新方法來檢測 3D 打印部件的缺陷。 使用實時溫度數據和機器學習算法，科學家們能夠在熱歷史和地下缺陷的形成之間建立關聯。
在其他地方，在商業領域，工程公司雷尼紹與
3D 打印機器人專家 Additive Automations 合作，為金屬 3D 打印部件開發基于深度學習的后處理技術。
該合作伙伴關系涉及使用協作機器人（cobots）和深度學習算法，以自動檢測和移除整個支撐結構。
中國3D打印網編譯文章！
(責任編輯：admin)
相關內容
梁柏濤：美國參議院這一票
美國俄亥俄州宣布撥款6200
Schunk集團全資收購ESK-SI
美國空軍利用拓竹3D打印機
3D Systems推出集成式數字
Aker Solutions設立新3D打最新內容
GoEngineer通過收
3D食品打印：烹
卡內基梅隆研究人
Align Technology
AM Craft在種子輪
Aerojet拿下五角熱點內容
