Generation of synthetic nano-material surfaces through machine learning and deep learning methods / Δημιουργία συνθετικών νανοεπιφανειών με μεθόδους μηχανικής και βαθειάς μάθησης

Summary

Nano-technology is a branch of science that engages with engineering and technology performed on a nano-scale level. Nano-material rough surfaces are characterized by structural diversity and complexity. Nano-materials exhibit unique properties, such as friction, contact deformation and wettability, which is correlated to their surface roughness. Investigating the relationship between surface roughness and properties can lead to better nano-material designs and even to the discovery of new nano-materials with unique properties.

In this research, we study the domain field of nano-roughness and nano-material surfaces as well as machine learning methods, with a focus on deep learning, in order to generate realistic synthetic nano-surface images, given specific surface roughness parameters. To this end we examine how prior domain knowledge can empower a model to provide realistic, synthetic surface images. We build upon previous work which was implemented by Vasileios Sioros in his research ”Generating Realistic Nanorough Surfaces Using an N-Gram-Graph Augmented Deep Convolutional Generative Adversarial Network”[1]. We contribute to the aforementioned work by introducing a new loss component to the network, reflecting the heights and frequency spectrum of nano-surface images. Furthermore, we propose a novel network architecture in an effort to reduce the checkerboard artifact observed in generated nano-surface images. Additionally, we optimize multi-component losses so that they equally contribute to the network’s learning process. We evaluate generated nano-surface images with quantitative measures. Also, a qualitative evaluation is carried out by a domain expert.

In conclusion, our results are substantially improved compared to previous work’s results.

The source code is available at https://github.com/ddelikonstantis/RoughML

Περίληψη

Η νανοτεχνολογία είναι ένας κλάδος της επιστήμης που ασχολείται με την τεχνολογία που εκτελείται σε επίπεδο νανοκλίμακας. Οι τραχιές επιφάνειες των νανοϋλικών χαρακτηρίζονται από δομική ποικιλομορφία και πολυπλοκότητα. Τα νανοϋλικά παρουσιάζουν μοναδικές ιδιότητες όπως η τριβή, η παραμόρφωση και η διαβρεξιμότητα, οι οποίες σχετίζονται με την τραχύτητα στην επιφάνεια τους. Η διερεύνηση της σχέσης μεταξύ της νανοεπιφανειακής τραχύτητας και των ιδιοτήτων που παρουσιάζουν τα νανοϋλικά μπορεί να οδηγήσει σε καλύτερους σχεδιασμούς νανοϋλικών, καθώς επίσης και στην ανακάλυψη νέων νανοϋλικών με μοναδικές ιδιότητες.
Σε αυτή την έρευνα, μελετάμε το θεωρητικό υπόβαθρο της νανοτραχύτητας και των επιφανειών των νανοϋλικών καθώς επίσης και μεθόδους μηχανικής μάθησης, με έμφαση στη βαθιά μάθηση, προκειμένου να δημιουργήσουμε ρεαλιστικές συνθετικές εικόνες νανο-επιφανειών, δεδομένων συγκεκριμένων παραμέτρων νανοεπιφανειακής τραχύτητας. Για αυτό το σκοπό εξετάζουμε πώς η πρότερη γνώση στον τομέα της νανοτραχύτητας μπορεί να τροφοδοτήσει ένα μοντέλο να παρέχει ρεαλιστικές, συνθετικές νανοεπιφανειακές εικόνες. Υλοποιούμε την μελέτη μας, πάνω σε πρότερη έρευνα που υλοποιήθηκε από τον Βασίλειο Σιώρο στην διπλωματική του εργασία με τίτλο ”Generating Realistic Nanorough Surfaces Using an N-Gram-Graph Augmented Deep Convolutional Generative Adversarial Network”. Συμβάλλουμε στην προαναφερθείσα έρευνα εισάγοντας ένα νέο στοιχείο ομοιότητας στο δίκτυο, που αντικατοπτρίζει τα ύψη και το φάσμα συχνοτήτων των εικόνων των νανο-επιφανειών. Επιπλέον, προτείνουμε μια νέα αρχιτεκτονική δικτύου ώστε να μειωθεί το τετραγωνικό πλέγμα που παρατηρείται στις παραγόμενες εικόνες νανο-επιφανειών. Επιπλέον, βελτιστοποιούμε τα επιμέρους σφάλματα ομοιότητας, ώστε να συμβάλλουν με την ίδια αξία στην διαδικασία μάθησης του δικτύου. Αξιολογούμε τις παραγόμενες εικόνες νανο-επιφανειών με ποσοτικά μέτρα. Επίσης, διενεργείται ποιοτική αξιολόγηση από εμπειρογνώμονα πάνω στον τομέα.
Συμπερασματικά, τα αποτελέσματά μας παρουσιάζουν σημαντική βελτίωση σε σύγκριση με τα αποτελέσματα της προαναφερθείσας έρευνας.
Ο πηγαίος κώδικας είναι διαθέσιμος στη διεύθυνση https://github.com/ddelikonstantis/RoughML