8 月 19 日消息，近日，俄羅斯斯科爾科沃科學技術研究院和比利時魯汶大學的研究人員設計出一種神經網絡方法，可修復材料 3D 微觀掃描圖像。

在材料研究中，想要看清材料微觀結構，就需要對其進行掃描和成像，現有技術成像會出現圖像存在瑕疵的問題，所以需要進行修復，研究人員設計的三種算法均能快速修復圖像，不過性能存在差異。

一、Micro-CT 掃描圖像，常出現偽跡陰影等問題

微計算機斷層掃描(Micro-CT)技術在研究人員研究纖維增強復合材料和其他復雜材料的 3D 微觀結構時，非常有用。

Micro-CT 是一種對物體掃描成像分析的技術，其分辨率可達幾微米，方便對三維物理對象進行分析。但此技術存在局限性，當樣本很小時，使用 Micro-CT 得到的圖像經常有偽跡和陰影、缺失或損壞的區域。

為了解決此問題，研究人員從藝術領域汲取了靈感和專業知識。在藝術領域，損壞的畫作要求必須在修復的同時保持其整體完整性。因此，在數字圖像處理中，圖像修復/填充(inpainting)已經成為一種常用技術。

研究的第一作者、斯科爾科沃科學技術研究院和魯汶大學博士米爾?卡拉莫夫(Radmir Karamov)說：“人工智能圖像修復(AI inpainting)的主要優點是速度。有了訓練過的模型，我們可以每秒處理 100 張圖像，如果讓人來做，需要的時間要長得多。”

他還談道：“計算機在處理 3D 圖像方面也非常出色，因為它們從四面八方都能‘看到’圖像，并且可以立即重造整體。”

隨著圖像修復技術和深度學習技術的發展，特別是生成對抗網絡(Generative Adversarial Network，GAN)的發展，有效地重建圖像缺少或損壞部分，或創建一個新的(部分)圖像成為可能。

但研究人員發現已有研究中缺乏關于處理 3DMicro-CT 圖像的技術。

二、研究人員根據質量和性能要求設計出三種架構 GAN

研究人員使用 3D 編碼器-解碼器 GAN，來研究可用于 3DMicro-CT 圖像修復的工具。

他們解釋，復合材料中包含的增強體(如纖維)，在三維空間中隨機定向，這就是為什么人們必須使用 3D 圖像來表示這種復雜的內部微觀結構。

由于更傳統的卷積神經網絡無法提供這項任務所需的精度，所以該團隊改選了GAN(生成式對抗網絡)。

卡拉莫夫談道：“在 GAN 中，研究人員不是通過訓練單個神經網絡來重建圖像，而是訓練兩個相互競爭的網絡。生成網絡(generator network)試圖生成看上去像真的的假圖片，判別網絡(discriminator network)檢查圖片并試圖確定它們是真還是假的。”

他補充說：“正如 GAN 的發明人伊恩?古德費羅(Ian Goodfellow)所說，你可以認為這是造假者和警察之間的比賽，造假者想要制造看起來真實的假鈔，而警察想查看任一特定的鈔票，并判斷是否是假鈔。”

研究人員考慮算法對圖片的修復質量，以及運行會占用的 GPU 內存情況，設計了具有三個(CNN3)、五個(CNN5)和七個(CNN7)卷積層的三種不同的 GAN 架構，來修補丟失的數據。

這三個 GAN 中的判別網絡結構相同，但生成網絡的可訓練參數深度和數量不同。

三、訓練后的 GAN 算法修復圖像耗時不超一秒

研究人員利用壓縮成型的短玻璃纖維增強熱塑性復合材料的圖像對所開發的算法進行測試。圖像數據集(連續生成的)是基于分辨率為 4.4μm 的 300×300×900 pixel3 的 Micro-CT 圖像開發的。

神經網絡分別針對 CNN7、CNN5、CNN3 模型訓練了 24 小時或進行了 234000、306000、428000 次迭代。在每個案例的訓練過程中，MSE 誤差不斷減小，直到訓練停止。訓練后的算法模型完成圖像修復耗時不超 1 秒。

具有超過 6000 萬個可訓練參數的最深神經網絡(CNN7)修復完成的材料結構圖片，其材料各向異性(anisotropy)程度的平均誤差約為 0.4%，方向張量(orientation tensor)的平均誤差約為 2%。

CNN5 和 CNN3 表現出較低的圖像修復精度和較高的物理指標誤差，兩種算法誤差比 CNN7 高 2 倍。它們可以在數據集所熟悉的圖像中預測正確的纖維特征。

研究人員還比較了 GPU 內存的消耗，CNN7 的高性能與其高 GPU 內存占用形成對比，內存消耗高達 CNN3 的 17 倍。

CNN3 或 CNN5 等深度學習架構更適合對結構更一致的 Micro-CT 圖像進行精確修復，而 CNN7 更適合隨機結構的材料。

卡拉莫夫說：“通過修復算法，我們可以消除 Micro-CT 掃描圖像中的所有缺陷，更精確地模擬材料特性，并分析如果在制造過程中去除所有內部孔隙和空隙，材料性能將如何提高。”

他補充道，修復算法只是新材料自動生成算法的第一步，這可以使科學家能夠根據特定應用所需的特性設計材料。

結語：機器學習加速新材料出現

在材料研究中的材料數據收集、材料數據處理、材料數據分析等各個環節，都有了機器學習、人工智能等技術的身影出現。

新材料的開發與機器學習等技術聯系越發緊密，無論是新材料的開發還是新材料的尋找，這些技術都能幫助人類更快實現預期目標。