研究

研究人员用新的基于图像的机器学习技术改造材料开发

2021年爱游戏备用网址3D打印行业大奖入围名单现在开放投票,直到10月20日。请在这里投票。

研究人员来自雷伊大学宾夕法尼亚州已经开发了一种基于新颖的基于机器学习的方法,以基于结构性相似性分类材料组。

该团队认为这是同类研究中的第一次,在一个由25000多张材料显微图像组成的庞大数据库中,使用人工神经网络识别结构相似性和趋势。该技术可用于发现新开发材料之间以前看不见的联系,甚至可以关联结构和性能等因素,潜在地为3D打印等扇区产生新的计算材料开发方法。

该研究的主要作者Joshua Agar描述了模型检测结构对称的能力是项目成功的基石。他说,“我们工作的新奇怪之一是我们建立了一个特殊的神经网络来了解对称性,我们用它作为一个特征提取器来使其更好地了解图像。”

神经网络的插图,显示来自超过25,000个压电响应力显微镜图像的数据库的对称感知图像相似性。通过Lehigh大学的图像。
神经网络的插图,显示来自超过25,000个压电响应力显微镜图像的数据库的对称感知图像相似性。通过Lehigh大学的图像。

结构与性能的关系

在材料研究中,了解材料的结构如何影响其性质是一个关键目标。仍然由于结构的复杂性,目前没有广泛使用的指标用于可靠地确定材料的结构如何影响其性质。随着机器学习技术的兴起,人工神经网络已经证明自己是这种应用的潜在工具,但琼脂仍然认为克服了两个主要挑战。

首先,材料研究实验产生的绝大多数数据从未经过机器学习模型的分析。这是因为生成的结果通常以显微成像的形式,很少以结构化和可用的方式存储。结果也往往不会在实验室之间共享,当然也没有一个可以轻松访问的集中式数据库。这是一般材料研究中的一个问题,但由于更大的利基,在添加剂制造业中更是如此。

第二个问题是,神经网络在学习如何识别结构对称性和周期性(即材料结构的周期性)方面不是很有效。由于这两个特性对材料研究人员至关重要,因此使用神经网络到目前为止一直是一个巨大的挑战。

基于机器学习的相似性预测

Lehigh的新型神经网络设计用于解决Agar描述的两个问题。除了能够理解对称性外,该模型还能够搜索非结构化图像数据库,以识别趋势并预测图像之间的相似性。它是通过采用一种称为统一流形近似和投影(UMAP)的非线性降维技术来实现的。

Agar解释说,该方法使数据的更高级别结构对团队更加消化:“如果您训练神经网络,结果是一个矢量,或者是一组是特征的紧凑描述符。这些功能有助于对事物进行分类,以便了解一些相似之处。然而,由于您可能有512或更多的功能,所产生的东西在太空中仍然相当大。因此,您希望将其压入人类可以理解如2D或3D的空间。“

Lehigh团队对该模型进行了培训,使其包含对称感知特征,并将其用于一组非结构化的25133张压电响应力显微镜图像上,这些图像是在加州大学伯克利分校.因此,它们能够基于结构成功地将类似的材料群体组合在一起,铺平了更好地理解结构性质关系的方式。

最终,该工作展示了神经网络如何与更好的数据管理联合,可以加快用于添加剂制造和更广泛的材料群落的材料开发研究。

使用自然图像和对称感知特征比较UMAP投影。图片来源于利海大学。
使用自然图像和对称感知特征比较UMAP投影。图片来源于利海大学。

这项研究的更多细节可以在题为基于对称性的材料显微镜递归图像相似性研究’.

机器学习的预测能力实际上已经开始在加性制造的许多方面得到利用。来自阿贡国家实验室德克萨斯州A&M大学以前已经开发了一种创新的方法3D印刷部件中的缺陷检测.使用实时温度数据与机器学习算法一起,科学家们能够在热历史和地下缺陷的形成之间进行相关联系。

在其他地方,在商业领域,工程公司雷尼肖与3D打印机器人专家合作加法自动化发展基于深度学习的后处理技术用于金属3D印刷零件。合作伙伴关系涉及使用协作机器人(COBOTS)以及深度学习算法,以自动检测和移除其全部内容的支持结构。

订阅爱游戏备用网址3D打印行业通讯ayx体育彩票有关添加剂制造业的最新消息。您也可以通过关注我们的网站保持联系啁啾,喜欢我们吗脸谱网,并调整成了爱游戏备用网址3D印刷业YouTube频道.

正在寻找添加剂制造业的职业?参观3D打印工作行业中的角色选择。

特征图像显示了使用自然图像和对称感知特征的UMAP投影的比较。图片来源于利海大学。