Пористые материалы - от горных пород и керамики до аккумуляторных электродов и жаропрочных сплавов - играют ключевую роль в современных технологиях, например, добыче полезных ископаемых, теплоизоляции, фильтрации и многих других. Понимание их внутреннего строения является основой для улучшения эксплуатационных характеристик.
Однако традиционные методы исследования, такие как 3D-томография, обладают целым рядом недостатков, а компьютерные модели требуют огромных массивов данных для обучения.
Предложенный учеными Центра вычислительной физики МФТИ подход решает эти проблемы, комбинируя нейронные сети с передовыми математическими методами. В основе идеи - описание материала на стадии обучения нейросети не "средними" числами, а набором всех локальных фрагментов изображения, а также специальная метрика, которая умеет быстро сравнивать такие наборы между собой.
"Ключевой момент нашего метода - заставить нейросеть генерировать не что-то среднее по выборке, а конкретную структуру с заданными параметрами", - рассказал Кирилл Герке, директор по науке Центра вычислительной физики МФТИ.
Сравнение с ведущими генеративными моделями показало, что разработанный учеными метод обеспечивает лучшее качество реконструкции при меньших вычислительных затратах.