Δημιουργία συνθετικών νανοεπιφανειών με μεθόδους μηχανικής και βαθειάς μάθησης

Abstract

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 νανουλικά 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 νανουλικά μπορεί να οδηγήσει σε καλύτερους σχεδιασμούς νανουλικών, καθώς επίσης και στην ανακάλυψη νέων νανουλικών με μοναδικές ιδιότητες. Σε αυτή την έρευνα, μελετάμε το θεωρητικό υπόβαθρο της νανοτραχύτητας και των επιφανειών των νανουλικών 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.