poSt

Synthetische Daten für die ML-Segmentierung von FIB-REM Nanotomografien hoch poröser Strukturen

Motivation

Erzeugung von synthetischen Daten für Künstliche Intelligenz

Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken.

Trainingsdaten zur Materialanalyse

Moderne Werkstoffe haben eine komplexe Materialstruktur, die das makroskopische Materialverhalten stark beeinflusst. Auf der Nanoskala (1nm–100nm) können solche Strukturen durch die heutige Serienschnitttechnik dreidimensional abgebildet werden. Für eine Analyse des Werkstoffs müssen dafür dann die einzelnen Komponenten des Materials aus den Bilddaten rekonstruiert werden. Bei hoher Anzahl an Hohlräumen im Material ist dies kompliziert, da durch die Poren auch Strukturen hinter der aktuellen Schnittfläche sichtbar sind. Für dieses Problem gibt es bestehende Lösungen, die jedoch stets nur an ein Material und feste Abbildungsparameter angepasst werden können und nur schwer übertragbar sind. Bessere Möglichkeiten für eine allgemeingültige Lösung bieten maschinelle Lernverfahren. Die dafür notwendigen Trainingsdaten sind jedoch schwer zu beschaffen. Eine manuelle Bearbeitung zweidimensionaler Bilder ist kaum möglich, da selbst der Mensch oft nicht entscheiden kann, welche Strukturen in der gerade geschnittenen Schicht liegen. Daher stellen Synthetische Bilder eine gute Problemlösung dar.

Ziele und Vorgehen

In diesem Vorhaben soll untersucht werden, welche Eigenschaften der Materialstruktur maßgeblich für eine gute Rekonstruktion sind. Es soll eine Strategie zur Auswahl von Trainingsdaten entwickelt werden, die das Training eines Neuronalen Netzes ermöglicht, das für größere Klassen von Strukturen und Bildgebungsparametern gute Ergebnisse liefert. Da die Erzeugung der synthetischen Daten rechenaufwändig ist, wird die experimentelle Untersuchung durch eine systematische, mathematische Analyse des zugrundeliegenden Problems ergänzt. Die Forschungspartner bringen ihre langjährigen Expertisen in das Projekt ein. Die Fraunhofer-Gesellschaft übernimmt Aufgaben in der Bildsimulation und -verarbeitung. Die TU Kaiserslautern behandelt die Mikrostrukturmodellierung sowie die statistische Beschreibung der Mikrostrukturgeometrien. Das Deutsche Forschungszentrum für Künstliche Intelligenz bringt seine Expertise im Bereich des Maschinellen Lernens im Zusammenspiel mit synthetischer Datenerzeugung ein.

Innovationen und Perspektiven

Viele Projekte zum Thema „synthetische Trainingsdatenerzeugung“ erlauben die direkte Nutzung der Erkenntnisse aus diesem Vorhaben. Ein weiteres Anwendungsfeld ist beispielweise die Optimierung der Mikrostrukturgeometrie hinsichtlich makroskopischer Materialeigenschaften (z. B. mechanische Belastbarkeit, Filtrationseigenschaften, Wärmeleitung) im Rahmen des virtuellen Materialdesigns. Eine Übertragung der Methoden auf andere Abbildungsverfahren wie Computertomografie oder Elektronentomografie könnte die Bildverarbeitung auch in diesen Fällen deutlich unterstützen.

Projektinformation

Projektleitung

Technische Universität Kaiserslautern
Erwin-Schrödinger-Str.
67663 Kaiserslautern

Volumen

710.362,80 €

Laufzeit

10/2021 – 09/2023

Projektpartnerinnen und -partner

  • Technische Universität Kaiserslautern - Projektleitung; stochastische Mikrostrukturmodellierung, quantitative Bildanalyse, Statistik
  • Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., Fraunhofer-Institut für Techno- und Wirtschaftsmathematik (ITWM) - Simulation von Abbildungsverfahren, Bildverarbeitung, Segmentierung
  • Deutsches Forschungszentrum für Künstliche Intelligenz GmbH - Maschinelles Lernen, Samplingstrategien, synthetische Datenerzeugung