Реконструктор реальности: учёные МФТИ научились программировать свойства материалов на уровне структуры
МФТИ — Московский физико-технический институт ·
Группа исследователей МФТИ совместно с китайскими коллегами из Сычуанского университета предложила метод SWNN, который по единственному двумерному снимку среза пористого материала собирает его трёхмерную модель – вплоть до кубов c сотнями миллионов ячеек. Результаты работы опубликованы в международном научном издании ScienceDirect. Пористые материалы – от горных пород и керамики до аккумуляторных электродов и жаропрочных сплавов – играют ключевую роль в современных технологиях: добыче энергии, фильтрации в пористых средах, теплоизоляции и многих других. Понимание и контроль их микроструктуры, то есть внутреннего строения, являются основой для улучшения эксплуатационных характеристик. Однако традиционные методы исследования, такие, как 3D-томография, обладают целым рядом недостатков (например, пределом разрешения или объёма исследуемого образца). А существующие компьютерные модели часто требуют огромных массивов данных для обучения. При этом получить двухмерную информацию о строении значительно проще, особенно в наномасштабе. Предложенный учёными Центра вычислительной физики МФТИ подход решает эти проблемы, комбинируя нейронные сети с передовой математической метрикой – срезанным расстоянием Вассерштейна. Ключевые инновации метода – работа с одним образцом, точное управление свойствами, масштабируемость и управление неоднородностью. В основе идеи – описание материала не «средними» числами (как в большинстве сетей глубокого обучения), а набором всех локальных фрагментов изображения, и специальная метрика (расстояние Вассерштейна), которая умеет быстро сравнивать такие наборы между собой. Дополнительно метод позволяет задавать желаемую пористость на входе и собирать пространственно-неоднородные структуры по заданной маске. Описание и реконструкция микроструктуры необходимы для моделирования свойств, например, пород-коллекторов нефти и газа или фильтров, а также дизайна материалов с заданными свойствами. Например, почв с идеальными характеристиками влагоудержания или пористых заменителей костной ткани в имплантантах. Исследования фундаментальной взаимосвязи «структура – свойства» и улучшения эксплуатационных характеристик в различных областях применения» рассказал Кирилл Герке, директор по науке Центра вычислительной физики МФТИ. Ключевая находка работы – заставить нейросеть генерировать не что-то среднее по выборке, что она хорошо умеет делать, а конкретную структуру с заданными параметрами (например, пористость). Это существенно отличает подход в статье от существующих аналогов. Полученные методы могут использоваться для быстрой генерации структур по двухмерным входным данным. Сейчас мы работаем и над другими подходами, с использованием ИИ и без него. Надеюсь, что скоро эти работы примут в печать и мы тоже сможем рассказать о них» пояснил Кирилл Герке. Эксперименты подтвердили высокую точность метода: реконструированные модели визуально, статистически и по физическим свойствам (теплопроводность и проницаемость для жидкостей) практически неотличимы от реальных образцов. Сравнение с ведущими генеративными моделями (включая диффузионные и состязательные сети) показало, что SWNN обеспечивает лучшее качество реконструкции при меньших вычислительных затратах. Новая разработка позволяет быстро перебирать разные варианты материалов. Вместе с другими методами Центра это помогает легко находить структуры с нужными свойствами. Например, с определенной пористостью или проницаемостью. Такие возможности открывают пути для дизайна пористых анодов/катодов, катализаторов, фильтров и многих других функциональных материалов.
Группа исследователей МФТИ совместно с китайскими коллегами из Сычуанского университета предложила метод SWNN, который по единственному двумерному снимку среза пористого материала собирает его трёхмерную модель – вплоть до кубов c сотнями миллионов ячеек. Результаты работы опубликованы в международном научном издании ScienceDirect. Пористые материалы – от горных пород и керамики до аккумуляторных электродов и жаропрочных сплавов – играют ключевую роль в современных технологиях: добыче энергии, фильтрации в пористых средах, теплоизоляции и многих других. Понимание и контроль их микроструктуры, то есть внутреннего строения, являются основой для улучшения эксплуатационных характеристик. Однако традиционные методы исследования, такие, как 3D-томография, обладают целым рядом недостатков (например, пределом разрешения или объёма исследуемого образца). А существующие компьютерные модели часто требуют огромных массивов данных для обучения. При этом получить двухмерную информацию о строении значительно проще, особенно в наномасштабе. Предложенный учёными Центра вычислительной физики МФТИ подход решает эти проблемы, комбинируя нейронные сети с передовой математической метрикой – срезанным расстоянием Вассерштейна. Ключевые инновации метода – работа с одним образцом, точное управление свойствами, масштабируемость и управление неоднородностью. В основе идеи – описание материала не «средними» числами (как в большинстве сетей глубокого обучения), а набором всех локальных фрагментов изображения, и специальная метрика (расстояние Вассерштейна), которая умеет быстро сравнивать такие наборы между собой. Дополнительно метод позволяет задавать желаемую пористость на входе и собирать пространственно-неоднородные структуры по заданной маске. Описание и реконструкция микроструктуры необходимы для моделирования свойств, например, пород-коллекторов нефти и газа или фильтров, а также дизайна материалов с заданными свойствами. Например, почв с идеальными характеристиками влагоудержания или пористых заменителей костной ткани в имплантантах. Исследования фундаментальной взаимосвязи «структура – свойства» и улучшения эксплуатационных характеристик в различных областях применения» рассказал Кирилл Герке, директор по науке Центра вычислительной физики МФТИ. Ключевая находка работы – заставить нейросеть генерировать не что-то среднее по выборке, что она хорошо умеет делать, а конкретную структуру с заданными параметрами (например, пористость). Это существенно отличает подход в статье от существующих аналогов. Полученные методы могут использоваться для быстрой генерации структур по двухмерным входным данным. Сейчас мы работаем и над другими подходами, с использованием ИИ и без него. Надеюсь, что скоро эти работы примут в печать и мы тоже сможем рассказать о них» пояснил Кирилл Герке. Эксперименты подтвердили высокую точность метода: реконструированные модели визуально, статистически и по физическим свойствам (теплопроводность и проницаемость для жидкостей) практически неотличимы от реальных образцов. Сравнение с ведущими генеративными моделями (включая диффузионные и состязательные сети) показало, что SWNN обеспечивает лучшее качество реконструкции при меньших вычислительных затратах. Новая разработка позволяет быстро перебирать разные варианты материалов. Вместе с другими методами Центра это помогает легко находить структуры с нужными свойствами. Например, с определенной пористостью или проницаемостью. Такие возможности открывают пути для дизайна пористых анодов/катодов, катализаторов, фильтров и многих других функциональных материалов.