参数、性质与工艺:面向机器学习辅助先进制造的真实 SEM 图像条件神经生成
计算机视觉与模式识别
2023-02-17 v1 机器学习
摘要
先进制造工艺的研发周期传统上需要大量的时间和资源投入。实验可能十分昂贵,因此规模相对较小。这对通常渴求数据的机器学习工具造成了问题,否则它们可加快研发周期。我们在先前工作基础上,将条件生成对抗网络(GANs)应用于一种新兴制造工艺——剪切辅助加工与挤压(ShAPE)的扫描电子显微镜(SEM)图像。我们生成以回火态以及实验参数或材料性质为条件的真实图像。由此,我们能够将机器学习整合进研发周期,使用户能立即可视化由特定工艺参数或性质所产生的微观结构。本工作构成了在缺乏第一性原理模型情况下理解制造工艺的一种全新方法的技木支柱。通过从拓扑视角表征微观结构,我们得以评估模型捕捉实验扫描电子显微镜(SEM)样本的广度与多样性的能力。我们的方法成功捕捉了所考虑工艺产生的视觉及一般微观结构特征,分析指出了进一步提升合成图像拓扑真实性的方向。
引用
@article{arxiv.2302.08495,
title = {Parameters, Properties, and Process: Conditional Neural Generation of Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing},
author = {Scott Howland and Lara Kassab and Keerti Kappagantula and Henry Kvinge and Tegan Emerson},
journal= {arXiv preprint arXiv:2302.08495},
year = {2023}
}