教学参考-37

来自cslt Wiki
2022年8月20日 (六) 12:52Cslt讨论 | 贡献的版本

(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)
跳转至: 导航搜索

教学目标

  • 了解材料微观结构的概念及重要性,从而理解重构微观结构这一工作的意义。
  • 复习对抗生成网络的概念和思路
  • 了解GAN模型应用在三维微观重构中的可行性和困难

教学内容

微观结构的重要性:金属疲劳

  • 我们生活中接触到各种材料,每种材料有其各自的属性。一般来说,材料的物理属性不仅取决于其分子组成,而且受到其微观结构的强烈影响。
  • 例如,金属的微观缺陷会让飞机翅膀变得容易疲劳,严重情况下甚至会引发机翼断裂造成空难事故。因此科学家们需要通过显微镜来观察金属的结构变化,以分析可能的微观缺陷,并评估这些缺陷对宏观金属性能的影响,从而避免飞机飞行中可能出现的各种意外情况。


微观结构的重要性:金纳米颗粒

  • 微观结构重要性的另一个例子是纳米材料所表现出的结构依赖。
  • 例如,有科学家通过特殊的工艺制备出了纳米级的金颗粒,他们发现同样是金元素,这些具有纳米级微观结构的金颗粒展现出了许多新奇的特性,例如生物相容性、低细胞毒性、光学特性等。基于这些特性,生物学家甚至开发出了全新的癌症治疗方法,用纳米金颗粒运送抗癌药物到癌细胞内部,直接杀死癌细胞。


三维微观结构重构

  • 通过显微镜可以观察材料的微观结构,但是,我们容易观察到的只是二维结构,即物体的切面形态。问题是,大部分物质的微观结构是三维的,仅有二维切面无法形成对物质结构的整体认知。
  • 如果能从二维图像中重构出三维结构,将为物理学家解析材料结构,分析材料属性提供极大便利,同时有助于设计新的加工工艺,生产具有特定属性的新材料。


AI三维重构

  • 2021年3月,《自然-机器智能》杂志发表了一篇有趣的论文,文章作者提出了一种称为SliceGAN的深度学习模型,可以利用相对容易获取的二维图片来重构物质的三维微观结构。它的基本原理与我们前面介绍过的对抗 生成网络(GAN)模型是一样的。
  • GAN模型包括一个生成器G和一个判别器D,生成器G用来生成图片,判别器D用来判断生成的图片是否合理。模型训练时,生成器G和判别器D同时训练,生成器G的训练目的是使判别器D无法区分生成的图片和真实的图片,而判别器训练D的目的是尽可能做出正确的区分。这一训练过程将同步提高生成器和判别器的能力,最终生成让人真假难辨的图片。
  • SliceGAN具有和GAN同样的特性,只不过它生成的结果是个三维结构,而判别器手中的标准答案只有二维数据,这让判别器无法判断生成的结果是否合理。
  • SliceGAN采用了一个聪明的办法:它将生成器生成的三维微观结构进行切片,这样就能够得到一组二维的图片。判别器用这些二维“切片图”和真实的二维图片进行对比,就可以间接评判生成的三维结构是否合理了。生成器基于这一评判不断改进其模型参数,直到判别器对生成的切片图和真实的二维图片难辨真伪时,就可以认为生成器生成了正确的微观结构图。