[論文レビュー] Improving Direct Physical Properties Prediction of Heterogeneous Materials from Imaging Data via Convolutional Neural Network and a Morphology-Aware Generative Model

Ruijin Cang, Hechao Li+3 more|arXiv (Cornell University)|Dec 7, 2017

Machine Learning in Materials Science参考文献 49被引用数 5

ひとこと要約

本稿では、限定的な実際のデータから、形態に配慮した生成モデルを提案する。変分オートエンコーダーにスタイル損失を組み合わせた手法により、異種材料の微細組織を生成する。実際のサンプルと合成サンプルの間で形態的一致性を強制することで、最先端のマルコフ確率場（MRF）モデルよりも、特に現実的な物性分布を維持し、最小限のデータで予測精度を向上させる。

ABSTRACT

Direct prediction of material properties from microstructures through statistical models has shown to be a potential approach to accelerating computational material design with large design spaces. However, statistical modeling of highly nonlinear mappings defined on high-dimensional microstructure spaces is known to be data-demanding. Thus, the added value of such predictive models diminishes in common cases where material samples (in forms of 2D or 3D microstructures) become costly to acquire either experimentally or computationally. To this end, we propose a generative machine learning model that creates an arbitrary amount of artificial material samples with negligible computation cost, when trained on only a limited amount of authentic samples. The key contribution of this work is the introduction of a morphology constraint to the training of the generative model, that enforces the resultant artificial material samples to have the same morphology distribution as the authentic ones. We show empirically that the proposed model creates artificial samples that better match with the authentic ones in material property distributions than those generated from a state-of-the-art Markov Random Field model, and thus is more effective at improving the prediction performance of a predictive structure-property model.

研究の動機と目的

• 高次元の微細組織画像データの取得が高コストであるため、異種材料の構造-物性マッピングにおけるデータ不足の課題に対処すること。
• 高精細な合成微細組織によるトレーニングデータの拡張により、材料物性の深層学習モデルの一般化性能と予測性能を向上させること。
• わずか数個の実際のサンプルでの学習でも、実際の微細組織の形態分布を保持するデータ効率の高い生成モデルを開発すること。
• 既存の生成アプローチと比較して、形態に配慮した生成が、より正確で頑健な構造-物性モデルをもたらすことを示すこと。

提案手法

• 微細組織を低次元の潜在空間にマップするため、畳み込みニューラルネットワークをエンコーダおよびデコーダとして使用する変分オートエンコーダー（VAE）アーキテクチャを採用する。
• 実際のサンプルからスタイル特徴を転送するための補助ネットワークを介して、実際の微細組織と生成された微細組織の間で形態的一致性を強制するスタイル損失を導入する。
• 生成モデルは再構成誤差とスタイル損失の両方を最小化するように学習され、合成微細組織が実際のものと同様の形態的分布を持つことを保証する。
• モデルは少数の実際の微細組織データセットで学習され、計算コストをほとんどかけずに任意の数の人工的サンプルを生成する。
• 生成されたサンプルは、構造-物性予測モデルのトレーニングデータを拡張するために使用され、一般化性能と精度が向上する。
• 評価は砂岩の微細組織を用い、ヤング率、拡散、透過率係数の予測を対象とする。

実験結果

リサーチクエスチョン

• RQ1 少数の実際の微細組織で学習された生成モデルは、実材料の形態的分布を保持した合成サンプルを生成できるか？
• RQ2 最先端のマルコフ確率場（MRF）モデルと比較して、形態に配慮した生成は、合成微細組織の物性分布の保持においてどのように優れているか？
• RQ3 形態に配慮した合成サンプルによるデータ拡張は、構造-物性モデルの予測性能をどの程度向上させるか？
• RQ4 生成モデルにスタイル損失を組み込むことで、物理的物性分布の観点から、実際の微細組織と合成微細組織の整合性がどの程度向上するか？

主な発見

• 提案手法は、ヤング率、拡散、透過率などの物理的物性分布が、実サンプルと密接に一致する人工微細組織を生成する。これに対してMRFで生成されたサンプルは、分散が著しく小さいことが判明した。
• MRFで生成されたサンプルでは、トレーニングデータサイズを800から1000に増やした際、トレーニングデータとテストデータの分布の不一致により、予測モデルの性能が低下した。
• 提案手法で生成された合成データを用いて学習した予測モデルは、全データサイズにおいてMRFベースラインを上回るテストR二乗値を達成しており、統計的に有意な改善が見られた。
• わずか少数の実際のトレーニングサンプルでの学習でも、形態に配慮した生成モデルは、MRFベースラインよりも構造-物性予測の精度をより効果的に向上させた。
• スタイル損失に基づくアプローチは、手動による特徴工学の必要がないままに、複雑な形態的パターンを効果的に捉えた。これに対してMRF手法は、体積分率の分散を明示的にモデル化する必要がある。