研究人員利用新的基于圖像的機器學習技術(shù)改進材料開發(fā)
時間：2021-10-14 08:04 來源：中國3D打印網(wǎng) 作者：admin 閱讀：次
中國3D打印網(wǎng)10月14日訊，賓夕法尼亞州利哈伊大學的研究人員開發(fā)了一種基于機器學習的新型方法，可以根據(jù)結(jié)構(gòu)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(jīng)網(wǎng)絡(luò)被用于識別包含超過 25,000 幅材料顯微圖像的龐大數(shù)據(jù)庫中的結(jié)構(gòu)相似性和趨勢。該技術(shù)可用于發(fā)現(xiàn)新材料開發(fā)之間的研究，甚至可以關(guān)聯(lián)結(jié)構(gòu)和屬性等因素，從而可能為 3D 打印等領(lǐng)域提供一種新的計算材料開發(fā)方法。
該研究的主要作者 Joshua Agar 描述了該模型檢測結(jié)構(gòu)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(gòu)建了一個特殊的神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的圖示顯示了來自超過 25,000 個壓電響應(yīng)力顯微鏡圖像的數(shù)據(jù)庫的對稱性圖像相似性。圖片來自利哈伊大學。
結(jié)構(gòu)與性能的關(guān)系
在材料研究中，了解材料的結(jié)構(gòu)如何影響其性能是一個關(guān)鍵目標。盡管如此，由于結(jié)構(gòu)的復(fù)雜性，目前還沒有廣泛使用的指標來可靠地確定材料的結(jié)構(gòu)將如何影響其性能。隨著機器學習技術(shù)的興起，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)證明自己是這一應(yīng)用的潛在工具，但 Agar 仍然認為有兩個主要挑戰(zhàn)需要克服。
首先，材料研究實驗產(chǎn)生的絕大多數(shù)數(shù)據(jù)從未被機器學習模型分析過。這是因為生成的結(jié)果（通常以顯微成像的形式）很少以結(jié)構(gòu)化和可用的方式存儲。結(jié)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(shù)據(jù)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(lǐng)域更是如此。
第二個問題是，神經(jīng)網(wǎng)絡(luò)在學習如何識別結(jié)構(gòu)對稱性和周期性——材料結(jié)構(gòu)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(guān)重要，因此使用神經(jīng)網(wǎng)絡(luò)直到現(xiàn)在都面臨著巨大的挑戰(zhàn)。
通過機器學習進行相似性預(yù)測
Lehigh 的新型神經(jīng)網(wǎng)絡(luò)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(jié)構(gòu)化圖像數(shù)據(jù)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(tǒng)一流形近似和投影 (UMAP) 的非線性降維技術(shù)來實現(xiàn)。
Agar 解釋說，這種方法使團隊更容易消化數(shù)據(jù)的更高級別結(jié)構(gòu)：“如果你訓練一個神經(jīng)網(wǎng)絡(luò)，結(jié)果是一個向量，或者一組數(shù)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(chǎn)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(jié)構(gòu)化的 25,133 幅壓電響應(yīng)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(jù)結(jié)構(gòu)成功地將相似的材料組合在一起，為更好地理解結(jié)構(gòu)-性能關(guān)系鋪平了道路。最終，這項工作展示了神經(jīng)網(wǎng)絡(luò)如何與更好的數(shù)據(jù)管理相結(jié)合，可以加速增材制造和更廣泛的材料社區(qū)的材料開發(fā)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(jié)構(gòu)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(gòu)建了一個特殊的神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的圖示顯示了來自超過 25,000 個壓電響應(yīng)力顯微鏡圖像的數(shù)據(jù)庫的對稱性圖像相似性。圖片來自利哈伊大學。
結(jié)構(gòu)與性能的關(guān)系
在材料研究中，了解材料的結(jié)構(gòu)如何影響其性能是一個關(guān)鍵目標。盡管如此，由于結(jié)構(gòu)的復(fù)雜性，目前還沒有廣泛使用的指標來可靠地確定材料的結(jié)構(gòu)將如何影響其性能。隨著機器學習技術(shù)的興起，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)證明自己是這一應(yīng)用的潛在工具，但 Agar 仍然認為有兩個主要挑戰(zhàn)需要克服。
首先，材料研究實驗產(chǎn)生的絕大多數(shù)數(shù)據(jù)從未被機器學習模型分析過。這是因為生成的結(jié)果（通常以顯微成像的形式）很少以結(jié)構(gòu)化和可用的方式存儲。結(jié)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(shù)據(jù)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(lǐng)域更是如此。
第二個問題是，神經(jīng)網(wǎng)絡(luò)在學習如何識別結(jié)構(gòu)對稱性和周期性——材料結(jié)構(gòu)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(guān)重要，因此使用神經(jīng)網(wǎng)絡(luò)直到現(xiàn)在都面臨著巨大的挑戰(zhàn)。
通過機器學習進行相似性預(yù)測
Lehigh 的新型神經(jīng)網(wǎng)絡(luò)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(jié)構(gòu)化圖像數(shù)據(jù)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(tǒng)一流形近似和投影 (UMAP) 的非線性降維技術(shù)來實現(xiàn)。
Agar 解釋說，這種方法使團隊更容易消化數(shù)據(jù)的更高級別結(jié)構(gòu)：“如果你訓練一個神經(jīng)網(wǎng)絡(luò)，結(jié)果是一個向量，或者一組數(shù)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(chǎn)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(jié)構(gòu)化的 25,133 幅壓電響應(yīng)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(jù)結(jié)構(gòu)成功地將相似的材料組合在一起，為更好地理解結(jié)構(gòu)-性能關(guān)系鋪平了道路。最終，這項工作展示了神經(jīng)網(wǎng)絡(luò)如何與更好的數(shù)據(jù)管理相結(jié)合，可以加速增材制造和更廣泛的材料社區(qū)的材料開發(fā)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(wǎng)點評：機器學習的預(yù)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(nóng)工大學的研究人員此前開發(fā)了一種創(chuàng)新方法來檢測 3D 打印部件的缺陷。 使用實時溫度數(shù)據(jù)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(guān)聯(lián)。
在其他地方，在商業(yè)領(lǐng)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(fā)基于深度學習的后處理技術(shù)。
該合作伙伴關(guān)系涉及使用協(xié)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(jié)構(gòu)。
中國3D打印網(wǎng)編譯文章！
(責任編輯：admin)
NASA與ICON聯(lián)手推進太空3D
第八屆醫(yī)院3D打印論壇：個
3D打印巨頭Stratasys收購
Nature子刊：3D打印技術(shù)助
全球兩大3D掃描儀巨頭合并
美國交通部長稱，F(xiàn)AA正借最新內(nèi)容
美國空軍2860萬美
美國軍工企業(yè)強強
美國斥資450萬美
GoEngineer通過收
3D食品打印：烹
卡內(nèi)基梅隆研究人熱點內(nèi)容
