マテリアルスペースの「穴埋め」: MIT はディープラーニングを使用して非破壊検査の問題を解決します
内容の概要:材料試験は、エンジニアリング、科学、製造において重要な役割を果たします。切断や化学試験などの従来の材料試験方法は、破壊的であり、時間とリソースを浪費します。最近、MIT の科学者はディープラーニングを使用して、欠落している情報を補完し、表面観察を通じて材料の内部構造をさらに決定できる技術を開発しました。
キーワード:ディープラーニング素材の検出 CNN
著者｜ダザニー
編集者｜山陽
この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました。~
データ処理では、ぼやけた画像や部分的な情報から完全な画像を復元する際に、しばしば課題に遭遇します。この課題は「逆問題」と呼ばれ、医療診断だけでなく材料科学でも頻繁に発生します。この欠落した情報を効果的に埋めることができれば、生体組織や材料の特性をより完全かつ正確に理解することが可能になり、より正確な判断が可能になります。
材料の内部組織構造を非破壊的に検出する方法は、多くの関係者を悩ませてきました。非破壊検査とは、材料の内部組織や性能に損傷を与えたり、影響を与えたりすることなく、材料の内部構造を検出するための最新の技術と装置の使用を指します。検出は X 線などの技術を使用して行うことができますが、これらの方法は多くの場合高価であり、かさばる装置を必要とします。
この目的を達成するために、中国人の博士課程学生であるYang ZhenzeとMIT（マサチューセッツ工科大学）のMarkus Buehler教授は、さまざまな深層学習アーキテクチャを組み合わせて、2D と 3D の場合、それぞれ、材料内の欠落部分が限られた情報で復元され、微細構造がさらに特徴付けられます。
現在、研究結果は「Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information」というタイトルで「Advanced Materials」誌に掲載されている。
研究はこうなった成果は「Advanced Materials」に掲載されました
用紙のアドレス:
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202301449
実験概要：「穴埋めと謎解き」のためのモデルの組み合わせ
下の図は研究の全体図を示しています。左の写真では、灰色の立方体が欠落部分です。 2D と 3D の場合、2 つの AI モデルを組み合わせてタスクを実行します。研究者らは、最初の AI モデルを「ギャップを埋める」ようにトレーニングし、マスクされたフィールドから完全なフィールドを復元するように 2 番目の AI モデルを「パズルを解く」ようにトレーニングし、復元された完全なフィールドを入力として使用して、対応する微細構造を逆に取得しました。複合材料の微細構造（微細構造）。
図1：全体図
研究者は有限要素解析 (FEA) を使用して、特定の条件下で 2D および 3D 複合材料のひずみと応力場を計算します。
2Dの場合は、研究者らは、複合ジオメトリ (合計 232 の可能なジオメトリ) を構築するために使用される対称的な 8 × 8 グリッドを作成しました。続いて、一軸引張試験のために、1,000 の異なる複合微細構造がランダムに生成されました。
3Dの場合は、研究者らは、2×4×4 グリッド (合計 232 の可能な形状) を使用して 2 層微細構造を作成し、4×4×4 グリッド (合計 264 の可能な形状) を使用して 4 層複合構造を作成しました。可能なジオメトリの数を 2D の場合と同じに保つために、研究者らはベースラインとして 2×4×4 グリッドを選択しました。また、FEA 計算のために 2,000 の異なる幾何学的形状がランダムに生成されました。
データの視覚化と前処理
2Dの場合は、研究者らは、Abaqus 可視化ツールを使用して、FEA からひずみと応力場の画像を生成しました。白と赤のバーで表されます。次に、Python の前処理を介して、切り取り、サイズ変更、再色付けを行います。前処理後の画像サイズは 256×256 です。複合ジオメトリまたは微細構造では、赤いブロックは柔らかい材料を表し、白いブロックは硬い材料を表します。研究者らは、規則的な形状のマスクと不規則な形状のマスクを導入し、通常のマスクは正方形で、サイズは 96 ～ 128 の範囲です。
3D の場合、研究者は各ユニットのひずみと応力の値を収集し、次に、正規化されて 16×32×32×1 の行列が形成されます。2Dの場合と同様に、Python コードを使用して、ひずみフィールドと応力フィールドの等高線を視覚化します。一連のフィールド画像は 16×32×32×3 の行列に保存され、深層学習モデルのトレーニングとテストのデータ表現として使用されます。対応する 3D 複合微細構造の視覚化は、Matplotlib ライブラリを使用したボリューム レンダリングによって実行されました。
モデル選択: GAN + ViViT + CNN
この研究ではさまざまな深層学習モデルが使用されました。敵対的生成ネットワーク (GAN)、トランスフォーマーベースの ViViT モデル、畳み込みニューラル ネットワーク (CNN) を含む。
- ガン: 2D 画像を埋める段階では、研究者らは、自由形式の画像修復を実行できる、DeepFill モデルの第 2 バージョンと呼ばれる GAN モデルを使用しました。
- ビビット: 3D の場合、研究者らは Transformer アーキテクチャに基づく ViViT モデルを使用してギャップを埋めました。
- CNN: 完全なフィールドを取得した後、CNN モデルを 2D と 3D の両方のケースで使用して、機械的挙動から複合材料の微細構造への逆リンクを確立しました。
実験結果: ViViT + CNN で完璧な予測を実現
2Dシチュエーション
予測誤差を得るために、研究者らはマスクされた領域内の予測応力平均値と実際の値の散布図をプロットしました。マスクの形状はランダムに生成されます。以下の図 c に示すように、200 個のテスト データ R が与えられた場合、2 指数は 0.998 に達し、GAN モデルが優れたパフォーマンスを持っていることを示しています。
図 2: 2D の場合のモデルのパフォーマンス
c: 塗りつぶされた画像上の GAN モデルのパフォーマンス。グランドトゥルースは予測値と高い一致性を示します(R2 = 0.998)。
d: 幾何学的認識のための CNN モデルのパフォーマンス。この図は、グラウンド トゥルースと予測結果の間のジオメトリの差異の分布を示しています。
さらに、研究者らは、ジオメトリの差を計算することで、ジオメトリ認識における CNN モデルのパフォーマンスを評価しました。幾何学的差異は、真のシーケンスと予測されたシーケンスの間の異なるマテリアル ブロックの数です。図 2d に示すように、予測されたシーケンスのほとんどは実際のシーケンスと同じで、200 個のテスト データすべての最大ジオメトリ差は 0.0625 で、32 ブロックのうち 2 個のブロックが異なります。復元されたフィールド画像が不正確な場合、幾何学的誤差が増加します。したがって、CNN モデルの正確な予測により、GAN モデルの高いパフォーマンスがさらに実証されます。
3D状況
実際のエンジニアリングの実践では、3D 複合材料の微細構造は通常 2D の場合よりも複雑です。以下の図は、8 つの予測フィールド フレームとグラウンド トゥルースの比較を示しています。結果は次のようになります。改良された ViViT モデルは、複合材料内の 1 つの層 (フレーム 1 ～ 8) の機械的フィールドを利用して、別の層 (フレーム 9 ～ 16) のフィールドを正確に予測できます。
図 3: 二層複合材料のフィールド フレーム予測の 2 つの例。
最初の 8 フレームが入力として取得され、残りの 8 フレームが深層学習モデルによって予測されます。
図 4 は、200 個のテスト データすべてのフレーム 9 ～ 16 の平均二乗誤差 (MSE) を示しています。各データ ポイントの MSE は、予測フィールド マップと真の値の間のピクセル値の二乗差の平均を計算することによって取得されます。 8 つの予測フレームの全体的な MSE は非常に低く、すべてのフレームの平均 MSE は 0.001 未満であり、ViViT モデルの優れたパフォーマンスを示しています。
平均二乗誤差 (MSE) は、予測モデルの精度を評価するために一般的に使用される指標です。予測プロセス中に、MSE は予測値と真の値の間の差異の程度を測定するために使用されます。 MSE 値が小さいほど、予測モデルの精度が高くなります。
図 4: 誤差の分布
予測されたフィールド フレームを通じて、完全な 3D 機械フィールドを使用して複合材料の微細構造を決定できます。 2D の場合と同様に、研究者らは CNN モデルを使用して予測を行いました。図 4 の右上パネルに示すように、ジオメトリの差は 0 です。改良された ViViT モデルと CNN モデルを組み合わせることで、内部の 3D 微細構造を正確に特定でき、ほとんどのジオメトリが完全に予測されます。
LAMM ラボ: 材料の構造と機能を結びつける
この研究は、中国人の博士課程学生であるYang Zhenze氏とMITのMarkus Buehler教授が共同で完了した。Yang Zhenze は MIT の博士課程の学生で、MIT 原子分子力学研究所 (LAMM) で働いています。研究対象には、機械学習および深層学習技術をマルチスケール シミュレーション手法と組み合わせて、複合材料、ナノ材料、生体材料などのさまざまな材料の性能計算と設計を高速化することが含まれます。これに先立って、Yang Zhenze は中国科学院大学で物理学の学士号を取得しました。
ヤン・ジェンゼとマルクス・ビューラー教授
楊振沢の個人ウェブサイト:
研究室の住所:
http://lamm.mit.edu/
対応著者のマルクス・ビューラー氏はLAMMの主任研究員である。 Markus Buehler の学術研究は高く評価されており、計算材料科学、生体材料、ナノテクノロジーに関して 450 以上の論文を発表しています。彼の目標の 1 つは、音楽とサウンド デザインを人工知能と組み合わせて使用し、スケール (例: ナノからマクロ) や種 (例: 種) を超えて、抽象的な方法で自律的な物質の新しい形態をゼロからシミュレート、最適化、作成することです。人間から蜘蛛まで）。
LAMM は、分子スケールから材料を設計するための新しいパラダイムの開発に取り組んでいます。 LAMM は、構造工学、材料科学、生物学の概念を組み合わせて、生物学的材料がどのように階層構造を形成するかを理解することで、基本的な原子スケールの化学構造を機能スケールに結び付け、優れた機械的特性を実現します。構造と機能の概念を統合します。
参考リンク:
[1]https://zhuanlan.zhihu.com/p/632154023
[2]https://scitechdaily.com/mits-ai-system-reveals-internal- Structure-of-materials-from-surface-observations/?expand_article=1
[3]https://professional.mit.edu/programs/faculty-profiles/markus-j-buehler
この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました。~