Исследователям Сколтеха и их коллегам из Лёвенского католического университета (Бельгия) удалось восстановить трехмерные изображения волокнистых материалов, полученных с помощью микрокомпьютерной томографии. Чтобы решить эту сложную и трудоемкую для человека задачу, ученые использовали методы машинного обучения.
Ученые использовали нейронную сеть для реконструкции 3D-изображений волокнистых материалов / ©Getty images
Полученные результаты, опубликованные в журнале Computational Materials Science, имеют важное значение для дальнейшего углубленного анализа свойств материалов. Микрокомпьютерная томография — незаменимое средство при исследовании трехмерной микроструктуры композитов, армированных волокном, и других сложных материалов. Однако использование этого метода связано с рядом дополнительных трудностей, таких как очень малые размеры образцов, наличие на изображениях артефактов и затененных областей, а также низкое качество, либо полное отсутствие отдельных фрагментов изображения.
Для решения этой непростой задачи ученые решили воспользоваться методами, которые реставраторы применяют при восстановлении произведений искусства — в частности, методом реконструирования дефектов, который уже широко применяется в цифровой обработке изображений.
«Главное преимущество реконструкции изображений на основе ИИ — быстрота. При наличии обученной модели с помощью этого метода можно обрабатывать до сотни изображений в секунду. Человеку такая скорость просто не под силу. Кроме того, компьютеры гораздо лучше справляются с обработкой трехмерных изображений, поскольку машина способна видеть их „насквозь“ и со всех сторон, мгновенно проводя реконструкцию по всему объему, а не только по поверхности», — рассказывает первый автор статьи, аспирант Сколтеха и Лёвенского католического университета Радмир Карамов.
Карамов участвует в исследованиях, проводимых под руководством директора Центра Сколтеха по проектированию, производственным технологиям и материалам (CDMM) профессора Искандера Ахатова и профессора Лёвенского католического университета Степана Ломова. Коллектив предложил использовать для задач реконструкции трехмерных изображений микрокомпьютерной томографии генеративно-состязательные сети (GAN) с 3D-кодировщиками и декодерами.
Как поясняют авторы, армирующие включения в композитных материалах, такие как волокна, могут иметь произвольную ориентацию в трех измерениях, поэтому приходится иметь дело именно с 3D-изображениями, описывающими эту сложную внутреннюю микроструктуру. Поскольку добиться необходимой точности с помощью более привычных сверточных нейронных сетей не представлялось возможным, ученые решили использовать генеративно-состязательные сети.
«При восстановлении изображений с использованием GAN нужно обучать для этой цели не одну, а две конкурирующие между собой нейронные сети: генеративную сеть, формирующую „искусственные“ изображения, которые выглядят как подлинные; и дискриминативную сеть, задача которой — отличить „настоящие“ изображения от „искусственных“.
Как говорил создатель GAN Ян Гудфеллоу, это напоминает соперничество между фальшивомонетчиками и полицейскими. Первые стремятся напечатать как можно больше фальшивых купюр, мало отличающихся по виду от настоящих, а вторые проверяют каждую купюру на предмет подлинности», — поясняет Карамов. Ученые протестировали три варианта архитектуры GAN, выбрав для этой цели изображения микрокомпьютерной томографии наиболее сложного образца — композита, армированного короткими стеклянными волокнами, не имеющего в своей структуре никаких повторов.
В результате из трех вариантов исследователи выбрали архитектуру сети, в которой наиболее удачно сочетались высокое качество реконструкции, производительность и умеренное использование памяти графического процессора. «Предложенный нами алгоритм позволяет устранять все дефекты на изображениях и, следовательно, более точно моделировать свойства материалов и прогнозировать качество конечного материала при условии устранения всех внутренних пор и пустот в его структуре в процессе производства», — подчеркивает Карамов.
Реконструкция микроструктуры материалов — первый шаг в разработке полностью автоматического генеративного алгоритма, который позволит создавать инновационные материалы со свойствами, отвечающими требованиям конкретных приложений, добавляет он.
