3D打印网-中国3D打印门户移动版

主页 > 新闻频道 > 深度解读 >

攻克复杂!生成式人工智能使用扩散概率模型呈现数字材料多晶微观结构

        企业的发展需要建立在通往成功的战略之上,而战略需要建立在对行业的认知上,行业认知是企业发展的核心竞争力。Relativity Space 的创始人Tim Ellis有一个精湛的洞见,他认为市场上普遍对3D 打印没有真正了解的是,3D打印对制造的颠覆性实际上更像是从燃气内燃机过渡到电动,或从内部部署服务过渡到云,3D打印是一项很酷的技术,但更重要的是,3D打印实际上是软件和数据驱动的自进化智造技术。

         根据德国ACAM亚琛增材制造中心,3D打印企业在全世界范围普遍来说并没有实现很好的盈利,一个关键点是从应用的产业化角度来看,可以实现盈利的制造模式应该是具有经济效益的数字驱动的端到端的制造工艺链为核心,而当前3D打印陷入在一个两难的境地,往往是当规模扩大的时候,随之而来的生产成本以级数级别的增加,这反过来使得要实现盈利成为非常具有挑战的事情。

除了对生产工艺的预测与控制,3D科学谷的市场研究发现数字驱动体现在多个层面上,其中一个层面是以数字化的方式描述材料结构并预测材料性能。

那么如何用一种节约时间和算力的方式来描述3D打印的复杂材料结构,这也是一种可以构建核心竞争力的认知能力。

valley_AI人工智能+3D打印

      根据《AI未来进行式》,只有当业界预见到一些高价值的应用能够落地时,那些与之相关的耗资巨大的技术才会有机会不断发展、走向成熟。如果一种技术能解决某种特别关键的需求,一些公司往往愿意为该技术在发展初期的巨额投入甚至亏损买单,以换取后期依靠这种技术进行扩张、获取更高利润的可能性。不过根据3D科学谷的市场观察,目前,业界更多愿意承担巨大投入的通常来说是科研机构,在国家投入的推动下,科研机构在推动3D打印成为软件和数据驱动的自进化智造技术方面获得了长足的进步。

article_Microhttps://www.sciencedirect.com/science/article/pii/S2589152923003034?dgcid=author

block 生成式人工智能描述材料

近日,ORNL橡树岭国家实验室通过一系列研究获得了数字材料增材制造方面的新见解,可以利用生成式人工智能模型来有效地生成材料结构的真实数字实现,从而实现更准确的性能预测。

计算模型是未来材料的开发、定制、鉴定和认证所需的重要工具。决定组件性能的材料属性是由跨多个长度尺度的基础材料结构驱动的。细观尺度特征,例如晶粒尺寸、晶粒形状、晶体结构和形态各向异性,极大地影响聚集体力学行为和局部晶粒尺度响应。晶体塑性有限元模型通过晶粒尺度结构的显式表示来捕获关键的细观物理现象。目前的标准描述符,例如晶粒尺寸、纵横比等不足以描述增材制造材料中显微照片结构的复杂空间排列。因此,需要建立更灵活的生成模型来合成真实的数字表示。

Valley_AI人工智能+3D打印
© 3D科学谷白皮书

受物理启发的方法,例如动力学蒙特卡罗算法、元胞自动机和相场方法,可以通过凝固物理的近似来实现细观尺度的生成,然而,这些方法需要过程模拟,这可能会产生大量的计算费用。

相反,替代方法侧重于根据经验生成模拟关键统计结构描述符的结构。针对特定晶体结构和晶粒形态的合成多晶聚集体存在多种方法,例如,Dream3D 是一种无处不在的工具,它利用许多统计描述符(晶粒尺寸、形状、方向、晶体结构等)来生成合成多晶实现。但是,某些材料确实表现出更复杂的空间方向模式。

值得注意的是,最近的一项工作实现了一种生成两相微观结构的方法,该框架是在 Tensorflow 中实现的,其中包括自动微分,并且能够极其有效地优化目标统计数据。概率方法,例如将微观结构处理为马尔可夫随机场,也使得能够生成复杂的数字微观结构。然而,这些方法假设结构行为是固定的,对于增材制造材料这些复杂结构的合成需要开发更灵活的生成模型。

最近的科研努力利用了现代机器学习方法的力量来生成合成微结构。目前,生成对抗网络(GAN)在该领域占据主导地位。这些网络已被证明对于生成三维多相微结构非常有效。然而,GAN 很难训练,并且容易受到模式崩溃等问题的影响。当生成器模型学会仅生成一类真实的图像时,就会发生模式崩溃。

针对以上问题与挑战,ORNL橡树岭国家实验室提出了一种用于生成式机器学习扩散概率模型,使用该模型生成的微观结构的方法很有前途,因为不需要识别或定义描述微观结构的“特征”;只需提供网络将模仿的示例。这一点很重要,例如可用于描述增材制造所产生目前不易生成的异质结构的微结构。虽然演示相对简单,但该方法的可行性令人兴奋,因为训练数据的增加和架构的扩展应该会进一步改善结果。未来的实现还可以通过统计值描述符的条件来包括更多的“灵活性”,例如 晶粒尺寸、空间统计、晶体织构等。

block 首次考虑单相多晶

通过机器学习扩散概率模型,ORNL橡树岭国家实验室正在研究复杂的增材制造颗粒结构的变形行为问题,ORNL橡树岭国家实验室的数值工作流程是以数字方式生成这些结构,然后使用物理模型模拟它们的特性。

ORNL橡树岭国家实验室的工作是第一次考虑单相多晶的产生。这项工作是一个概念验证,证明了使用这些新型生成模型来数字合成晶粒尺度结构的可行性。此功能对于3D打印-增材制造材料特别有用,因为晶粒结构很复杂并且很难以数字方式生成。

多晶材料的精确微观机械模拟需要对晶粒尺度微观结构进行真实的数字表示。ORNL橡树岭国家实验室的这项工作演示了使用生成扩散概率模型来合成单相多晶实现。该模型表现良好,能够产生真实的微观结构,不仅包括简单的等轴结构,还包括表现出更复杂空间排列的结构。通过扩大架构对更多样化的数据集进行训练,可能有助于开发能够合成更复杂的微观结构特征的未来模型。

论文:
《Digital polycrystalline microstructure generation using diffusion probabilistic models》

作者:Patxi Fernandez-Zelaia, Jiahao Cheng, Jason Mayeur, Amir Koushyar Ziabari, Michael M. Kirka
单位:Manufacturing Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, United States
Electrification & Energy Infrastructure Division, Oak Ridge National Laboratory, Oak Ridge, TN, United States

(责任编辑:admin)