伦敦帝国理工学院开发的一种新算法可以将复合材料的 2D 图像转换为 3D 结构。
机器学习算法可以帮助材料科学家和制造商以 3D 形式研究和改进复合材料（如电池电极和飞机零件）的设计和生产。
使用复合材料的 2D 横截面数据，这些数据是由具有不同物理和化学特性的不同材料组合而成的，该算法可以扩展横截面的尺寸，将其转换为 3D 计算机模型。这使科学家能够研究复合材料的不同材料或“相”以及它们如何组合在一起。
该工具了解复合材料的 2D 横截面是什么样子，并将它们按比例放大，以便可以在 3D 空间中研究它们的相。它可以在未来通过允许科学家和制造商研究复合材料的分层结构来优化这些类型材料的设计。
研究人员发现他们的技术比从物理 3D 对象创建 3D 计算机表示更便宜、更快。它还能够更清楚地识别材料中的不同相，这是使用当前技术更难做到的。
将材料组合为复合材料可以让您利用每个组件的最佳性能，但详细研究它们可能具有挑战性，因为材料的排列会强烈影响性能。该算法允许研究人员获取他们的 2D 图像数据并生成具有所有相同属性的 3D 结构，这使他们能够执行更逼真的模拟。
目前，研究、设计和制造三维复合材料具有挑战性。2D 图像的获取成本低廉，可为研究人员提供高分辨率、广阔的视野，并且非常擅长区分不同的材料。另一方面，3D 成像技术通常昂贵且相对模糊。它们的低分辨率也使得难以识别复合材料中的不同相。
例如，研究人员目前无法使用 3D 成像技术识别电池电极内的材料，这些材料由陶瓷材料、碳聚合物粘合剂和液相孔组成。
在这项研究中，研究人员使用了一种新的机器学习技术，称为“深度卷积生成对抗网络”（DC-GAN），该技术于 2014 年发明。
这种使两个神经网络相互竞争的方法是将 2D 转换为 3D 的工具的核心。一个神经网络显示 2D 图像并学习识别它们，而另一个则试图制作“假”3D 版本。如果第一个网络查看“假”3D 版本中的所有 2D 切片并认为它们是“真实的”，那么这些版本可用于模拟任何感兴趣的材料属性。
同样的方法还允许研究人员以比以前更快的速度使用不同的材料和成分进行模拟，这将加速寻找更好的复合材料。
许多包含复合材料的设备（例如电池）的性能与其组件在微观尺度上的 3D 排列密切相关。然而，对这些材料进行足够详细的 3D 成像可能会很费力。研究人员希望他们的新机器学习工具能够在许多情况下摆脱对昂贵 3D 成像机器的依赖，从而增强材料设计社区的能力。
使用基于生成对抗网络的维度扩展从二维切片生成三维结构。