이 연구의 공동 저자 인 Argonne 과학자 인 Dongxiao Zhang은“GAP Geometry는 유체를 저장하고 운송하는 능력을 지배하는 다공성 재료의 기본 특성입니다. "그러나 실험 데이터 또는 시뮬레이션에서 갭 형상을 정확하게 결정하는 것은 특히 복잡한 다공성 재료의 경우 어려운 작업입니다."
연구원들은 CNN (Convolutional Neural Networks)이라는 기계 학습 기술을 사용하여 PGNET 알고리즘을 개발했습니다. CNN은 이미지 분석 및 인식 작업에 적합한 딥 러닝 알고리즘 유형입니다. 연구원들은 시뮬레이션 된 다공성 재료 이미지의 대규모 데이터 세트에서 PGNET 알고리즘을 훈련 시켰으며, 이들 재료의 갭 형상을 정확하게 결정할 수 있음을 보여 주었다.
그런 다음 연구원들은 PGNET 알고리즘을 사용하여 다공성 물질에서 액체의 구조를 연구했습니다. 그들은 다공성 물질의 갭 지오메트리가 기공 내에 한정된 액체의 구조에 상당한 영향을 미친다는 것을 발견했다.
이 작업은 Doe 's Basic Energy Sciences 사무소에서 자금을 지원했습니다. 연구팀에는 Argonne National Laboratory의 Dongxiao Zhang, Yuan Cheng 및 Yongqiang Cheng; 오마하에있는 네브래스카 대학교의 Jialin Li와 Ruiqiang Li.
이 연구는 Nature Communications 저널에 발표되었습니다.
