Depth-wise super-resolution of a serial-sectioned low-carbon steel microstructure by a generative adversarial network trained on in-plane images

स्टील के आंतरिक जीवन को समझने के लिए, वैज्ञानिकों को उसकी सपाट सतह से परे देखना होगा। धातुएं एकसमान ब्लॉक नहीं होतीं; वे सूक्ष्म क्रिस्टल, दानों (grains) और चरणों (phases) के जटिल परिदृश्य हैं जो सामग्री के ठंडा होने और सख्त होने पर बनते हैं। ये सूक्ष्म संरचनाएं ही यह निर्धारित करती हैं कि पुल का बीम भार सह पाएगा या कार का कोई हिस्सा टूट जाएगा। दशकों से, शोधकर्ताओं ने इन सामग्रियों का अध्ययन उन्हें पतला काटकर और उनके सपाट चेहरों को सूक्ष्मदर्शी के नीचे देखकर किया है। यह द्वि-आयामी दृश्य उपयोगी तो है, लेकिन यह एक अकेले पत्ते को देखकर पूरे जंगल को समझने की कोशिश करने जैसा है। सामग्री वास्तव में कैसे व्यवहार करती है, इसे पूरी तरह से समझने के लिए, वैज्ञानिकों को दानों की त्रि-आयामी वास्तुकला और यह कैसे एक तरफ से दूसरी ओर जुड़ते हैं, इसे देखने की आवश्यकता है।

इन 3D छवियों को बनाने में आमतौर पर 'सीरियल सेक्शनिंग' नामक एक कठिन प्रक्रिया शामिल होती है। धातु के एक ब्लॉक को सैकड़ों पतली परतों में काटा जाता है, और प्रत्येक परत की तस्वीर ली जाती है। जब इन तस्वीरों को एक साथ रखा जाता है, तो वे एक डिजिटल 3D मॉडल बनाती हैं। हालाँकि, इसमें एक समस्या है। कैमरा प्रत्येक स्लाइस की सपाट सतह को अविश्वसनीय स्पष्टता के साथ कैप्चर करता है, लेकिन स्लाइस के बीच की दूरी अक्सर स्लाइस की मोटाई से बहुत अधिक होती है। यह एक ऐसा डिजिटल चित्र बनाता है जो अगल-बगल से तो बहुत स्पष्ट होता है, लेकिन ऊपर से नीचे की ओर धुंधला और ब्लॉक जैसा दिखता है। यह बिल्कुल वैसा ही है जैसे आपके पास किसी परिदृश्य की एक हाई-डेफिनिशन फोटो हो, लेकिन ऊर्ध्वाधर गहराई खिंची हुई और धुंधली हो, जिससे यह देखना असंभव हो जाए कि विशेषताएं वास्तव में एक-दूसरे से कैसे जुड़ती हैं।

कोरिया इंस्टीट्यूट ऑफ मैटेरियल्स साइंस और टोक्यो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने बिना अधिक तस्वीरें लिए या बेहतर सूक्ष्मदर्शी बनाए बिना, इस धुंधलेपन को ठीक करने का एक तरीका खोज निकाला है। उन्होंने इमेज की गहराई में छूटे हुए विवरणों को भरने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करते हुए एक विधि विकसित की। कंप्यूटर से अन्य स्टील छवियों के पुस्तकालय के आधार पर अनुमान लगाने के लिए कहने के बजाय, उन्होंने इसे स्वयं स्टील के नमूने का उपयोग करके सिखाया। सिस्टम ने स्टील की सतह के पैटर्न को सीखा और उस ज्ञान का उपयोग करके धुंधली गहराई को पुनर्गठित किया, जिससे एक धुंधला, ब्लॉक जैसा 3D मॉडल, धातु की वास्तविक संरचना के स्पष्ट और निरंतर दृश्य में बदल गया।

शोधकर्ताओं ने लो-कार्बन स्टील के एक नमूने से शुरुआत की, जो निर्माण और विनिर्माण में उपयोग की जाने वाली एक सामान्य सामग्री है। उन्होंने नमूने को 1400 डिग्री सेल्सियस तक गर्म करके और फिर एक विशिष्ट दर पर ठंडा करके तैयार किया ताकि फेराइट, पर्लाइट और बैनिट (ferrite, pearlite, and bainite) का मिश्रण बनाया जा सके—ये अलग-अलग प्रकार की क्रिस्टल संरचनाएं हैं जो स्टील को मजबूती प्रदान करती हैं। एक स्वचालित प्रक्रिया का उपयोग करते हुए, उन्होंने स्टील को परतों में काटा और प्रत्येक सतह की एक ऑप्टिकल माइक्रोस्कोप से तस्वीर ली। इसने स्टील का एक सटीक, उच्च-रिज़ॉल्यूशन वाला 3D मानचित्र बनाया, जिसने उनके प्रयोग के लिए "सत्य" (truth) के रूप में कार्य किया।

धुंधली गहराई की समस्या को दर्शाने के लिए, शोधकर्ताओं ने इस सटीक 3D मानचित्र को लिया और कृत्रिम रूप से इसके अधिकांश परतों को हटा दिया। उन्होंने केवल हर दूसरी, तीसरी या चौथी स्लाइस को रखा, जिससे डेटा में बड़े अंतराल रह गए। इससे 3D छवि का एक निम्न-रिज़ॉल्यूशन वाला संस्करण बन गया जहाँ ऊर्ध्वाधर दिशा खिंची हुई थी और विवरण लुप्त हो गए थे। इस अवस्था में, फेराइट की लंबी, पतली प्लेटें और पर्लाइट की काली पट्टियाँ असंबद्ध धब्बों के रूप में दिखाई देने लगीं या पूरी तरह से फैल गईं, जिससे यह देखना कठिन हो गया कि सूक्ष्म संरचना वास्तव में सामग्री के माध्यम से कैसे प्रवाहित होती है।

टीम ने आर्टिफिशियल इंटेलिजेंस के एक प्रकार की ओर रुख किया जिसे 'जेनरेटिव एडवरसेरियल नेटवर्क' (generative adversarial network) कहा जाता है, विशेष रूप से ESRGAN नामक एक परिष्कृत संस्करण। यह प्रणाली एक छात्र और एक शिक्षक की तरह काम करती है। "छात्र" नेटवर्क यह अनुमान लगाने की कोशिश करता है कि छूटे हुए स्तर कैसे दिखने चाहिए, जबकि "शिक्षक" नेटवर्क यह जाँचता है कि क्या अनुमान वास्तविक दिखता है। उन्हें प्रशिक्षित करने के लिए, शोधकर्ताओं ने हजारों अलग-अलग स्टील नमूनों के डेटाबेस का उपयोग नहीं किया। इसके बजाय, उन्होंने उसी एकल स्टील नमूने का उपयोग किया जो उनके पास पहले से था। उन्होंने स्टील की सतह की स्पष्ट, सपाट छवियों को लिया और छवियों के जोड़े बनाए: एक स्पष्ट और एक धुंधली। नेटवर्क ने स्टील के दानों के विशिष्ट पैटर्न और यह पहचानना सीखा कि वे स्पष्ट होने पर बनाम धुंधले होने पर कैसे दिखते हैं।

एक बार जब नेटवर्क प्रशिक्षित हो गया, तो शोधकर्ताओं ने इसे धुंधली, गहराई-खिंची हुई छवियों पर लागू किया। लक्ष्य यह देखना था कि क्या कंप्यूटर उपलब्ध कराई गई सपाट सतहों से सीखे गए ज्ञान का उपयोग करके छूटे हुए ऊर्ध्वाधर विवरणों को पुनर्गठित कर सकता है। उन्होंने परिणामों की तुलना मूल सटीक 3D मानचित्र और अन्य विधियों के विरुद्ध की, जैसे कि मानक गणितीय इंटरपोलेशन (interpolation), जो केवल ज्ञात स्लाइस के बीच के पिक्सेल का औसत निकालता है।

परिणामों ने एक स्पष्ट अंतर दिखाया। मानक गणितीय विधियों ने ऐसी छवियां बनाईं जो चिकनी तो थीं लेकिन उनमें सूक्ष्म विवरण खो गए थे। विभिन्न क्रिस्टल चरणों के बीच की सीमाएं धुंधली बनी रहीं, और स्टील की लंबी, पतली संरचनाएं टूटी हुई या असंबद्ध दिखाई दीं। आर्टिफिशियल इंटेलिजेंस के पुराने संस्करणों ने बेहतर प्रदर्शन किया लेकिन फिर भी कुछ अस्वाभाविक बनावट (textures) पैदा की। हालाँकि, नए ESRGAN पद्धति ने सूक्ष्म विवरणों को सफलतापूर्वक पुनः प्राप्त किया। इसने फेराइट की लंबी, पतली प्लेटों और पर्लाइट की नाजुक पट्टियों को ऐसी स्पष्टता के साथ पुनर्गठित किया जो मूल उच्च-रिज़ॉल्यूशन मानचित्र के बहुत करीब थी। नेटवर्क सूक्ष्म संरचना के निरंतर प्रवाह को देखने में सक्षम था, यहाँ तक कि उन क्षेत्रों में भी जहाँ डेटा गायब था।

शोधकर्ताओं ने विभिन्न कठिनाई स्तरों पर इस पद्धति का परीक्षण किया। जब छूटा हुआ डेटा मध्यम था, तो नेटवर्क ने असाधारण प्रदर्शन किया। यहाँ तक कि जब डेटा अत्यंत विरल था, जिसमें केवल चार में से एक स्लाइस शेष था, तब भी नेटवर्क सूक्ष्म संरचनात्मक विशेषताओं के सामान्य आकार और जुड़ाव को पुनः प्राप्त करने में सफल रहा, और इसने अन्य सभी विधियों को पीछे छोड़ दिया। उन्होंने सफलता को सांख्यिकीय उपकरणों के माध्यम से मापा जो यह जाँचते थे कि पुनर्गठित छवि संरचना और पिक्सेल सटीकता के मामले में मूल के कितने करीब है। आर्टिफिशियल इंटेलिजेंस ने लगातार सबसे सटीक मिलान प्रस्तुत किया, जिससे दानों का वास्तविक आकार और विभिन्न चरणों का सही अनुपात सुरक्षित रहा।

यह दृष्टिकोण महत्वपूर्ण है क्योंकि यह महंगे नए उपकरणों या विशाल प्रशिक्षण डेटा पुस्तकालयों की आवश्यकता के बिना सामग्री विज्ञान की एक बड़ी बाधा को हल करता है। कंप्यूटर को उस विशिष्ट सामग्री को समझने के लिए प्रशिक्षित करके जिसे वह देख रहा है, शोधकर्ता एक निम्न-गुणवत्ता वाली, एनिसोट्रोपिक (anisotropic) 3D छवि को उच्च-गुणवत्ता वाली, आइसोट्रोपिक (isotropic) छवि में बदल सकते हैं। इसका अर्थ है कि वैज्ञानिक अब स्टील और अन्य धातुओं की वास्तविक त्रि-आयामी प्रकृति को बहुत अधिक सटीकता के साथ देख सकते हैं, जिससे इन सामग्रियों के निर्माण और तनाव के तहत उनके प्रदर्शन को समझने में गहरी मदद मिलेगी। यह अध्ययन प्रदर्शित करता है कि सही प्रशिक्षण के साथ, आर्टिफिशियल इंटेलिजेंस हमारी भौतिक अवलोकनों के अंतराल को भर सकता है, जिससे उन सामग्रियों की छिपी हुई वास्तुकला प्रकट होती है जो हमारी दुनिया को थामे हुए हैं।