HyperAI超神经

내용을 한눈에 보기:재료 시험은 엔지니어링, 과학, 제조 분야에서 매우 중요한 역할을 합니다. 절단이나 화학 시약 테스트와 같은 전통적인 재료 테스트 방법은 파괴적이고, 시간이 많이 걸리고, 자원이 많이 소모됩니다. 최근 MIT 과학자들은 딥러닝을 사용하여 누락된 정보를 채우고 표면 관찰을 통해 재료의 내부 구조를 더욱 자세히 파악할 수 있는 기술을 개발했습니다.

키워드:딥러닝 CNN 자료 테스트

저자: daserney

편집자 | 산양

본 기사는 HyperAI WeChat 공개 플랫폼에 처음 게재되었습니다.~

데이터를 처리할 때 자주 마주치는 과제 중 하나는 흐릿한 이미지나 일부 정보로부터 완전한 이미지를 복원하는 것입니다.이런 문제는 "역문제"라고 불리며, 의학적 진단 분야에서만 흔히 발생하는 것이 아니라 재료 과학에서도 자주 발생합니다.우리가 이러한 누락된 정보를 효과적으로 채울 수 있다면 생물학적 조직이나 물질의 특성을 보다 포괄적이고 정확하게 이해하여 더욱 정확한 결정을 내릴 수 있을 것입니다.

재료의 내부 구조를 비파괴적으로 시험하는 방법은 많은 관련 종사자들에게 고민거리가 되어 왔습니다. 비파괴 검사는 현대 기술과 장비를 사용하여 재료의 내부 조직과 성능에 손상이나 영향을 미치지 않고 재료의 내부 구조를 탐지하는 것을 말합니다.X선 등의 기술을 사용하여 감지할 수도 있지만, 이러한 방법은 일반적으로 비용이 많이 들고 대형 장비가 필요합니다.

이를 위해 MIT(매사추세츠 공과대학)의 중국인 박사과정생인 젠쩌 양(Zhenze Yang)과 마르쿠스 부엘러(Markus Buehler) 교수는 여러 개의 딥러닝 아키텍처를 결합했습니다.각각 2D와 3D 사례에서는 제한된 정보로 재료의 누락된 부분을 복구하고 미세 구조를 추가로 특성화합니다.

현재, 해당 연구 결과는 "빈칸 채우기: 누락된 물리적 필드 정보를 복구하는 전이 가능한 딥 러닝 접근법"이라는 제목으로 저널 Advanced Materials에 게재되었습니다.

연구결과는 Advanced Materials에 게재되었습니다.

서류 주소:

https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202301449

실험 개요: "빈칸 채우기 퍼즐"을 위한 모델 조합

아래 그림은 연구의 전반적인 개략도를 보여줍니다.왼쪽 이미지에서 회색 큐브가 빠진 조각입니다. 2D와 3D 사례에서는 두 개의 AI 모델이 결합되어 각각 작업을 수행합니다. 연구진은 첫 번째 AI 모델을 훈련시켜 마스크된 필드에서 "간격을 채우고" 완전한 필드를 복원하도록 했고, 두 번째 AI 모델은 복원된 완전한 필드를 입력으로 사용하여 "퍼즐을 풀도록" 훈련시켜 복합 재료의 해당 미세 구조를 역으로 얻었습니다.

그림 1: 전체 개략도

연구진은 유한요소해석(FEA)을 사용하여 특정 조건에서 2D 및 3D 복합재료의 변형률과 응력장을 계산했습니다.

2D의 경우,연구자들은 합성 기하학(총 232가지의 가능한 기하학)을 구축하기 위해 대칭적인 8×8 격자를 만들었습니다. 그 다음에,1,000개의 다양한 복합재 미세구조가 단축 인장 시험을 위해 무작위로 생성되었습니다.

3D의 경우,연구진은 2×4×4 격자를 사용하여 두 겹의 미세 구조(총 232가지의 가능한 기하 구조)를 만들고, 4×4×4 격자를 사용하여 4겹 복합재(총 264가지의 가능한 기하 구조)를 구축했습니다. 가능한 기하학적 형태의 수를 2D 경우와 동일하게 유지하기 위해 연구자들은 기준선으로 2×4×4 격자를 선택했습니다.그리고 FEA 계산을 위해 2,000개의 다양한 기하학 형태가 무작위로 생성되었습니다.

데이터 시각화 및 전처리

2D의 경우,연구진은 Abaqus 시각화 도구를 사용하여 FEA에서 얻은 변형률과 응력장의 이미지를 생성했습니다.흰색과 빨간색 막대로 표현됩니다.그런 다음 Python을 사용하여 자르기, 크기 조정, 색상 변경 등의 전처리를 수행합니다. 전처리된 이미지의 크기는 256×256입니다. 복합 기하학이나 미세 구조에서 빨간색 블록은 부드러운 재료를 나타내고, 흰색 블록은 단단한 재료를 나타냅니다.연구진은 일반 마스크와 불규칙한 모양의 마스크를 도입했는데, 일반 마스크는 사각형 모양이고 크기가 96~128이었습니다.

3D 사례에서 연구진은 각 요소에 대한 변형률과 응력 값을 수집했습니다.그런 다음 정규화하여 16×32×32×1 행렬을 형성합니다.2D 케이스와 유사하게,Python 코드를 사용하여 변형률과 응력장의 윤곽을 시각화합니다.일련의 현장 이미지는 16×32×32×3 행렬에 저장되며, 이는 딥 러닝 모델을 훈련하고 테스트하기 위한 데이터 표현으로 사용됩니다.해당 3D 복합 미세 구조 시각화는 Matplotlib 라이브러리를 사용하여 볼륨 렌더링을 통해 수행되었습니다.

모델 선택: GAN + ViViT + CNN

이 연구에서는 다양한 딥러닝 모델을 사용했습니다.생성적 적대 신경망(GAN), 변압기 기반 ViViT 모델, 합성곱 신경망(CNN) 포함.

간: 연구진은 2D 이미지를 채우기 위해 DeepFill 모델의 두 번째 버전으로 알려진 GAN 모델을 사용했는데, 이는 자유형 이미지 복원을 수행할 수 있습니다.
비비트: 3D 사례에서 연구진은 Transformer 아키텍처를 기반으로 한 ViViT 모델을 사용하여 빈틈을 메웠습니다.
CNN: 완전한 필드를 얻은 후, CNN 모델은 2D 및 3D 사례 모두에 사용되어 기계적 거동에서 복합 재료의 미세 구조로의 역방향 연결을 확립했습니다.

실험 결과: ViViT + CNN으로 완벽한 예측 달성

2D 케이스

예측 오차를 얻기 위해 연구자들은 마스크된 영역 내에서 예측된 응력 평균과 실제 값을 산점도로 나타냈습니다. 마스크의 모양은 무작위로 생성됩니다.아래 그림 c에 표시된 것처럼 200개의 테스트 데이터 R이 주어지면² 지수는 0.998에 도달하여 GAN 모델의 성능이 우수함을 나타냅니다.

그림 2: 2D 모델 성능

c: 패딩된 이미지에 대한 GAN 모델의 성능. 실제 값과 예측 값은 높은 일관성을 보여줍니다(R² = 0.998).

d: 기하학 인식을 위한 CNN 모델의 성능. 그림은 기준 진실과 예측 결과 사이의 기하학적 차이 분포를 보여줍니다.

또한 연구진은 기하학적 차이를 계산하여 기하학적 인식에서 CNN 모델의 성능을 평가했습니다. 기하학적 차이는 실제 시퀀스와 예측 시퀀스 사이의 서로 다른 재료 블록의 수입니다.그림 2d에서 보듯이 예측된 시퀀스의 대부분은 실제 시퀀스와 동일하고, 200개의 모든 테스트 데이터 간의 최대 기하학적 차이는 0.0625이며, 32개 블록에서 두 가지 차이가 있습니다.복구된 현장 이미지가 부정확하면 기하학적 오차가 증가합니다. 따라서 CNN 모델의 정확한 예측은 GAN 모델의 높은 성능을 더욱 입증합니다.

3D 상황

실제 엔지니어링 실무에서 3D 복합재료의 미세구조는 보통 2D 복합재료의 미세구조보다 더 복잡합니다. 아래 그림은 8개의 예측 필드 프레임과 실제 결과를 비교한 것입니다. 결과는 다음과 같습니다개선된 ViViT 모델은 복합 재료의 한 층(프레임 1~8)의 기계적 필드를 사용하여 다른 층(프레임 9~16)의 필드를 정확하게 예측할 수 있습니다.

그림 3: 2층 복합재료의 두 가지 예에 대한 필드 프레임 예측.

처음 8개 프레임은 입력으로 사용되고 나머지 8개 프레임은 딥 러닝 모델에 의해 예측됩니다.

그림 4는 200개의 테스트 데이터 전체에 대한 프레임 9~16의 평균 제곱 오차(MSE)를 보여줍니다. 각 데이터 포인트의 MSE는 예측된 필드 맵과 실제 값 사이의 픽셀 값 차이의 제곱을 평균하여 계산됩니다. 예측된 8개 프레임의 전체 MSE는 매우 낮았고, 모든 프레임의 평균 MSE는 0.001 미만으로 ViViT 모델의 성능이 우수함을 보여줍니다.

평균 제곱 오차(MSE)는 예측 모델의 정확도를 평가하는 데 일반적으로 사용되는 지표입니다. 예측 과정에서 MSE는 예측값과 실제값의 차이 정도를 측정하는 데 사용됩니다. MSE 값이 작을수록 예측 모델의 정확도가 높아집니다.

그림 4: 오류 분포

예측된 필드 프레임을 통해 전체 3D 기계적 필드를 사용하여 복합 재료의 미세 구조를 결정할 수 있습니다. 2D 사례와 유사하게 연구자들은 CNN 모델을 사용하여 예측을 수행했습니다. 그림 4의 오른쪽 위 하위 그림에서 볼 수 있듯이,기하학적 차이는 0입니다. 개선된 ViViT 모델과 CNN 모델을 결합하면 대부분의 기하학적 모양을 완벽하게 예측하여 내부 3D 미세 구조를 정확하게 식별할 수 있습니다.

LAMM 연구실: 재료 구조와 기능의 연결

이 연구는 MIT의 중국인 박사과정생인 젠쩌 양과 마르쿠스 뷰엘러 교수가 공동으로 완료했습니다.젠쩌 양은 MIT의 박사과정 학생으로, MIT 원자 및 분자역학 연구실(LAMM)에서 일하고 있습니다. 그의 연구 관심사에는 머신 러닝과 딥 러닝 기술을 다중 규모 시뮬레이션 방법과 결합하여 복합재, 나노소재, 생체소재 등 다양한 소재의 성능 계산 및 설계를 가속화하는 것이 포함됩니다.이에 앞서 양진택은 중국과학원 대학에서 물리학 학사 학위를 받았습니다.

Yang Zhenze와 Markus Buehler 교수

양진택 개인 홈페이지:

https://www.zhenzeyang.com/

연구실 주소:

http://lamm.mit.edu/

본 논문의 저자인 마르쿠스 부엘러는 LAMM의 수석 연구원입니다. 마르쿠스 뷰엘러는 계산재료과학, 생체재료, 나노기술 분야에서 450편 이상의 논문을 발표한, 인용 빈도가 높은 학술 연구자입니다.그의 목표 중 하나는 음악과 사운드 디자인을 인공지능과 결합하여 추상적인 방식으로 처음부터 자율적 물질의 새로운 형태를 시뮬레이션, 최적화하고 창조하는 것입니다. 이는 규모(예: 나노에서 매크로까지)와 종(예: 인간에서 거미까지)을 넘나듭니다.

LAMM은 분자 규모에서 시작하여 재료를 설계하는 새로운 패러다임을 개발하는 데 전념하고 있습니다. LAMM은 구조 공학, 재료 과학, 생물학의 개념을 결합하여 생체재료가 어떻게 계층적 구조를 형성하여 뛰어난 기계적 특성을 달성하는지 이해함으로써 기본적인 원자 규모의 화학 구조를 기능적 규모에 연결합니다.구조와 기능의 개념을 융합합니다.

참조 링크:

[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