研究

研究人员用新的基于图像的机器学习技术改进材料开发

2021年爱游戏备用网址3D打印行业大奖候选名单将开放投票,截止日期为10月20日。请在这里投票。

的研究人员利哈伊大学宾夕法尼亚州的研究人员开发了一种基于机器学习的新方法,可以根据材料的结构相似性对材料进行分类。

在这个研究小组认为是此类研究的首次,他们使用了一个人工神经网络,在一个包含25000多张材料微观图像的庞大数据库中识别结构相似性和趋势。这项技术可以用来发现新开发的材料之间以前看不见的联系,甚至是结构和性能等相关因素,潜在的为3D打印等行业提供了一种新的计算材料开发方法。

该研究的主要作者约书亚·艾格(Joshua Agar)描述了该模型检测结构对称性的能力是该项目成功的基石。他说:“我们工作的一个新奇之处是,我们建立了一个特殊的神经网络来理解对称性,我们用它作为特征提取器,使它更好地理解图像。”

神经网络的说明显示对称感知图像相似性的数据库超过25000张压响应力显微镜图像。图片来自利哈伊大学。
神经网络的说明显示对称感知图像相似性的数据库超过25000张压响应力显微镜图像。图片来自利哈伊大学。

结构和性质之间的关系

在材料研究中,了解材料的结构如何影响其性能是一个关键目标。然而,由于结构的复杂性,目前还没有广泛使用的指标来可靠地确定材料的结构将如何影响其性能。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一应用的潜在工具,但琼脂仍然认为有两个主要挑战需要克服。

首先,材料研究实验产生的绝大多数数据从未被机器学习模型分析过。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。实验结果往往不会在实验室之间共享,当然也没有一个易于访问的中央数据库。这是一般材料研究中的一个问题,但由于更大的利基,在增材制造领域更是如此。

第二个问题是,神经网络在学习如何识别结构的对称性和周期性(即材料结构的周期性)方面并不是很有效。由于这两个特性对材料研究人员至关重要,使用神经网络一直是一个巨大的挑战。

通过机器学习的相似投影

利哈伊的新型神经网络旨在解决琼脂所描述的这两个问题。除了能够理解对称性,该模型还能够搜索非结构化图像数据库,以识别图像之间的趋势和投影相似性。它采用了一种称为一致流形近似和投影(UMAP)的非线性降维技术。

艾格解释说,这种方法使数据的更高层次结构更容易被团队消化:“如果你训练一个神经网络,结果是一个向量,或一组数字,是特征的紧凑描述符。这些特征有助于对事物进行分类,从而学习到一些相似之处。不过,在太空中产生的东西仍然相当大,因为你可能有512个或更多不同的功能。所以,你想把它压缩到一个人类能够理解的空间,比如2D或3D。”

利哈伊的研究小组训练了该模型,使其包含对称感知特征,并将其用于一组非结构化的25133张压敏力显微镜图像,这些图像是在5年的时间里收集的加州大学伯克利分校.因此,他们能够根据结构成功地将相似的材料组合在一起,为更好地理解结构-属性关系铺平了道路。

最终,这项工作展示了神经网络如何与更好的数据管理相结合,可以加速增材制造和更广泛的材料领域的材料开发研究。

比较使用自然图像和对称感知特征的umap投影。图片来自利哈伊大学。
比较使用自然图像和对称感知特征的umap投影。图片来自利哈伊大学。

这项研究的更多细节可以在题为“材料显微镜的对称感知递归图像相似性探索”。

机器学习的预测能力真的开始在增材制造的许多方面得到利用。的研究人员阿贡国家实验室德州农工大学之前有没有开发出一种创新的方法3D打印零件的缺陷检测.利用实时温度数据,加上机器学习算法,科学家们能够在热历史和地下缺陷的形成之间建立相关联系。

在其他地方,在商业领域,工程公司英国与3D打印机器人专家合作添加剂自动化开发基于深度学习的后处理技术用于金属3D打印零件。这项合作涉及使用协作机器人(cobots)以及深度学习算法,自动检测和移除整个支持结构。

订阅爱游戏备用网址3D打印行业通讯ayx体育彩票查看增材制造的最新消息。你也可以通过关注我们来保持联系推特喜欢我们脸谱网,并调谐到爱游戏备用网址3D打印行业YouTube频道

正在寻找增材制造的职业生涯?访问3 d打印工作来选择行业中的角色。

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。图片来自利哈伊大学。