املأ الفراغات في مساحة المادة: يستخدم معهد ماساتشوستس للتكنولوجيا التعلم العميق لحل مشاكل الاختبار غير المدمرة

المحتويات في لمحة:يلعب اختبار المواد دورًا حيويًا في الهندسة والعلوم والتصنيع. تعتبر طرق اختبار المواد التقليدية، مثل اختبار القطع والاختبار الكيميائي، مدمرة وتستغرق وقتا طويلا وتستهلك الكثير من الموارد. في الآونة الأخيرة، استخدم علماء معهد ماساتشوستس للتكنولوجيا التعلم العميق لتطوير تقنية يمكنها ملء المعلومات المفقودة وتحديد البنية الداخلية للمواد بشكل أكبر من خلال الملاحظات السطحية.

الكلمات المفتاحية:اختبار مواد التعلم العميق CNN

المؤلف: داسيرني

المحرر｜سانيانغ

تم نشر هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~

عند معالجة البيانات، فإن أحد التحديات التي يتم مواجهتها في كثير من الأحيان هو استعادة صورة كاملة من الصور الضبابية أو المعلومات الجزئية.يُطلق على هذا التحدي اسم "المشكلة العكسية"، وهو ليس شائعًا في التشخيص الطبي فحسب، بل يحدث أيضًا بشكل متكرر في علم المواد.إذا تمكنا من ملء هذه المعلومات المفقودة بشكل فعال، فسيكون من الممكن فهم خصائص الأنسجة أو المواد البيولوجية بشكل أكثر شمولاً ودقة، وبالتالي اتخاذ قرارات أكثر دقة.

لقد أزعجت كيفية اختبار البنية الداخلية للمواد بطريقة غير مدمرة العديد من الممارسين ذوي الصلة. يشير الاختبار غير المدمر إلى استخدام التكنولوجيا والمعدات الحديثة للكشف عن البنية الداخلية للمواد دون الإضرار أو التأثير على التنظيم الداخلي وأداء المواد.ورغم إمكانية إجراء الكشف باستخدام تقنيات مثل الأشعة السينية، إلا أن هذه الطرق مكلفة عموماً وتتطلب معدات ضخمة.

ولتحقيق هذه الغاية، قام طالب الدكتوراه الصيني تشينزي يانج من معهد ماساتشوستس للتكنولوجيا والأستاذ ماركوس بويلر بدمج العديد من هياكل التعلم العميق.وفي الحالتين ثنائية الأبعاد وثلاثية الأبعاد، على التوالي، يتم استعادة الأجزاء المفقودة في المادة بمعلومات محدودة ويتم توصيف البنية الدقيقة بشكل أكبر.

حاليًا، تم نشر نتائج البحث في مجلة Advanced Materials، تحت عنوان "املأ الفراغ: مناهج التعلم العميق القابلة للتحويل لاستعادة المعلومات الميدانية الفيزيائية المفقودة".

الدراسةوقد تم نشر النتائج في مجلة Advanced Materials

عنوان الورقة:

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

نظرة عامة تجريبية: نموذج مركب لـ "لغز ملء الفراغات" 

يوضح الشكل أدناه المخطط التخطيطي الشامل للدراسة.في الصورة الموجودة على اليسار، المكعب الرمادي هو القطعة المفقودة. في الحالتين ثنائية الأبعاد وثلاثية الأبعاد، يتم دمج نموذجين للذكاء الاصطناعي لأداء المهمة على التوالي. قام الباحثون بتدريب نموذج الذكاء الاصطناعي الأول على "ملء الفجوات" واستعادة المجال الكامل من المجال المقنع، وقاموا بتدريب نموذج الذكاء الاصطناعي الثاني على "حل اللغز"، باستخدام المجال الكامل المستعاد كمدخل للحصول بشكل عكسي على البنية الدقيقة المقابلة للمادة المركبة.

الشكل 1: الرسم التخطيطي العام

استخدم الباحثون تحليل العناصر المحدودة (FEA) لحساب مجالات الانفعال والإجهاد للمواد المركبة ثنائية وثلاثية الأبعاد في ظل ظروف محددة.

في حالة 2D،قام الباحثون بإنشاء شبكة متماثلة 8×8 لبناء الهندسة المركبة (ما مجموعه 232 هندسة ممكنة). ثم،تم إنشاء 1000 بنية دقيقة مختلفة بشكل عشوائي لاختبار الشد أحادي المحور.

في حالة ثلاثية الأبعاد،استخدم الباحثون شبكة 2×4×4 لإنشاء طبقتين من الهياكل الدقيقة (ما مجموعه 232 هندسة ممكنة)، وشبكة 4×4×4 لبناء مركب من أربع طبقات (ما مجموعه 264 هندسة ممكنة). وللحفاظ على عدد الأشكال الهندسية الممكنة كما هو الحال في الحالة ثنائية الأبعاد، اختار الباحثون شبكة 2×4×4 كخط أساسي.وتم إنشاء 2000 شكل هندسي مختلف بشكل عشوائي لحسابات FEA.

تصور البيانات ومعالجتها المسبقة 

في حالة 2D،وباستخدام أدوات تصور Abaqus، قام الباحثون بإنشاء صور لحقول الضغط والإجهاد التي تم الحصول عليها من تحليل العناصر المحدودة.يتم تمثيله بأشرطة بيضاء وحمراء.ومن ثم تتم معالجته مسبقًا باستخدام Python من أجل القص، وتغيير الحجم، وإعادة التلوين. حجم الصورة المعالجة مسبقًا هو 256×256. في الهندسة المركبة أو البنية الدقيقة، تمثل الكتل الحمراء المواد اللينة، في حين تمثل الكتل البيضاء المواد الصلبة.قام الباحثون بتقديم أقنعة ذات أشكال منتظمة وغير منتظمة، حيث كانت الأقنعة العادية مربعة الشكل ويتراوح حجمها من 96 إلى 128.

وفي الحالة ثلاثية الأبعاد، جمع الباحثون قيم الانفعال والإجهاد لكل عنصر.ثم يتم تطبيعها لتشكيل مصفوفة 16×32×32×1.على غرار الحالة ثنائية الأبعاد،استخدم كود بايثون لتوضيح ملامح حقول الضغط والإجهاد.يتم تخزين سلسلة من صور المجال في مصفوفة 16×32×32×3، والتي تُستخدم كتمثيل للبيانات للتدريب واختبار نماذج التعلم العميق.تم إجراء تصور البنية الدقيقة المركبة ثلاثية الأبعاد المقابلة من خلال عرض الحجم باستخدام مكتبة Matplotlib.

اختيار الموديل: GAN + ViViT + CNN

استخدمت هذه الدراسة مجموعة متنوعة من نماذج التعلم العميق.بما في ذلك الشبكات التنافسية التوليدية (GAN)، ونماذج ViViT القائمة على المحولات، والشبكات العصبية التلافيفية (CNN).

• الشبكة الجاذبة:  ولملء الصور ثنائية الأبعاد، استخدم الباحثون نموذج GAN، المعروف باسم النسخة الثانية من نموذج DeepFill، والذي يمكنه إجراء استعادة للصورة ذات الشكل الحر.
• فيفيت:  وفي الحالة ثلاثية الأبعاد، استخدم الباحثون نموذج ViViT المستند إلى بنية المحول لملء الفجوات.
• سي إن إن:  بعد الحصول على المجال الكامل، تم استخدام نماذج CNN في كل من الحالات ثنائية الأبعاد وثلاثية الأبعاد لإنشاء رابط عكسي من السلوك الميكانيكي إلى البنية الدقيقة للمادة المركبة.

النتائج التجريبية: ViViT + CNN يحقق التنبؤ المثالي

حالة ثنائية الأبعاد 

للحصول على خطأ التنبؤ، رسم الباحثون مخططًا تشتتًا لمتوسط الإجهاد المتوقع مقابل القيمة الفعلية داخل المنطقة المقنعة. يتم إنشاء شكل القناع بشكل عشوائي.كما هو موضح في الشكل ج أدناه، مع الأخذ في الاعتبار 200 بيانات اختبار R²  يصل المؤشر إلى 0.998، مما يشير إلى أن نموذج GAN يعمل بشكل جيد.

الشكل 2: أداء النموذج في ثنائي الأبعاد

ج: أداء نموذج GAN على الصورة المبطنة. تظهر الحقيقة الأساسية والقيمة المتوقعة اتساقًا عاليًا (R² = 0.998).

د: أداء نموذج CNN للتعرف على الهندسة. يوضح الشكل توزيع الفرق الهندسي بين الحقيقة الأساسية ونتائج التنبؤ.

بالإضافة إلى ذلك، قام الباحثون بتقييم أداء نموذج CNN في التعرف على الهندسة من خلال حساب الفرق الهندسي. الفرق الهندسي هو عدد كتل المواد المختلفة بين التسلسلات الحقيقية والمتوقعة.كما هو موضح في الشكل 2د، فإن معظم التسلسلات المتوقعة هي نفس التسلسلات الفعلية، والفرق الهندسي الأقصى بين جميع بيانات الاختبار البالغ عددها 200 هو 0.0625، وهناك اختلافان في 32 كتلة.إذا كانت صورة الحقل المستردة غير دقيقة، فسوف يزداد الخطأ الهندسي. لذلك، فإن التنبؤات الدقيقة لنموذج CNN تؤكد بشكل أكبر الأداء العالي لنموذج GAN.

الوضع ثلاثي الأبعاد 

في الممارسة الهندسية الفعلية، يكون التركيب الدقيق للمواد المركبة ثلاثية الأبعاد أكثر تعقيدًا عادةً من التركيب الدقيق للمواد ثنائية الأبعاد. يوضح الشكل أدناه المقارنة بين 8 إطارات ميدانية متوقعة والحقيقة الأساسية. وتظهر النتائج أنالنموذج المحسن ViViT قادر على استخدام المجالات الميكانيكية لطبقة واحدة (الإطارات من 1 إلى 8) في المادة المركبة للتنبؤ بدقة بحقول طبقة أخرى (الإطارات من 9 إلى 16).

الشكل 3: تنبؤات الإطار الميداني لمثالين من المواد المركبة ذات الطبقتين.

يتم أخذ الإطارات الثمانية الأولى كمدخلات ويتم التنبؤ بالإطارات الثمانية المتبقية بواسطة نموذج التعلم العميق.

يوضح الشكل 4 متوسط الخطأ التربيعي (MSE) للإطارات من 9 إلى 16 لجميع بيانات الاختبار البالغ عددها 200. يتم حساب MSE لكل نقطة بيانات من خلال حساب متوسط الاختلافات التربيعية في قيم البكسل بين خرائط الحقول المتوقعة والقيم الحقيقية. إن MSE الإجمالي للإطارات الثمانية المتوقعة منخفض جدًا، ومتوسط MSE لجميع الإطارات أقل من 0.001، مما يدل على الأداء الممتاز لنموذج ViViT.

يعد متوسط الخطأ التربيعي (MSE) مؤشرًا شائع الاستخدام لتقييم دقة نماذج التنبؤ. في عملية التنبؤ، يتم استخدام MSE لقياس درجة الفرق بين القيمة المتوقعة والقيمة الحقيقية. كلما كانت قيمة MSE أصغر، كلما زادت دقة نموذج التنبؤ.

الشكل 4: توزيع الخطأ

من خلال إطار المجال المتوقع، يمكن استخدام المجالات الميكانيكية ثلاثية الأبعاد بالكامل لتحديد البنية الدقيقة للمادة المركبة. على غرار الحالة ثنائية الأبعاد، استخدم الباحثون نموذج CNN للتنبؤ. كما هو موضح في الصورة الفرعية اليمنى العليا للشكل 4،الفرق في الهندسة هو 0. من خلال الجمع بين نموذج ViViT المحسن ونموذج CNN، يمكن تحقيق التعرف الدقيق على الهياكل الدقيقة ثلاثية الأبعاد الداخلية، مع التنبؤ بمعظم الأشكال الهندسية بشكل مثالي.

مختبر LAMM: ربط بنية المادة ووظيفتها

تم إكمال البحث بشكل مشترك من قبل طالبة الدكتوراه الصينية تشينزي يانغ في معهد ماساتشوستس للتكنولوجيا والأستاذ ماركوس بويلر.تشنزي يانغ هو طالب دكتوراه في معهد ماساتشوستس للتكنولوجيا، ويعمل في مختبر معهد ماساتشوستس للتكنولوجيا للميكانيكا الذرية والجزيئية (LAMM). تشمل اهتماماته البحثية الجمع بين تقنيات التعلم الآلي والتعلم العميق مع طرق المحاكاة متعددة المقاييس لتسريع حساب الأداء وتصميم المواد المختلفة مثل المواد المركبة والمواد النانوية والمواد الحيوية.قبل ذلك، حصل يانغ تشنزي على درجة البكالوريوس في الفيزياء من جامعة الأكاديمية الصينية للعلوم.

يانغ زينزي والبروفيسور ماركوس بوهلر

الموقع الشخصي ليانغ Zhenze:

https://www.zhenzeyang.com/

عنوان المختبر:

http://lamm.mit.edu/

المؤلف المراسل، ماركوس بويلر، هو باحث رئيسي في LAMM. ماركوس بويلر هو باحث أكاديمي معروف بأبحاثه العديدة، وله أكثر من 450 بحثًا منشورًا في علوم المواد الحاسوبية والمواد الحيوية وتكنولوجيا النانو.أحد أهدافه هو استخدام الموسيقى وتصميم الصوت، جنبًا إلى جنب مع الذكاء الاصطناعي، لمحاكاة وتحسين وإنشاء أشكال جديدة من المادة المستقلة من الأساس بطريقة مجردة، عبر المقاييس (على سبيل المثال، من النانو إلى الماكرو) والأنواع (على سبيل المثال، من البشر إلى العناكب).

يهدف مركز LAMM إلى تطوير نموذج جديد لتصميم المواد بدءًا من المستوى الجزيئي. من خلال الجمع بين المفاهيم من الهندسة الإنشائية وعلوم المواد وعلم الأحياء، يربط LAMM الهياكل الكيميائية الأساسية على المستوى الذري بالمقياس الوظيفي من خلال فهم كيفية تشكيل المواد الحيوية لهياكل هرمية لتحقيق خصائص ميكانيكية متفوقة.دمج مفاهيم البنية والوظيفة.

روابط مرجعية:

[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

تم نشر هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~