[論文レビュー] Microstructure Representation and Reconstruction of Heterogeneous Materials via Deep Belief Network for Computational Material Design

Ruijin Cang, Yaopengxiao Xu+4 more|arXiv (Cornell University)|Dec 22, 2016

Machine Learning in Materials Science参考文献 8被引用数 10

ひとこと要約

本稿では、異種材料における自動的微細構造表現および再構成を可能にする畳み込みニューラルネットワークを用いた深層信念ネットワーク（CDBN）を提案する。この手法により、統計的および機械的性質を保持したまま、1000倍の次元削減が実現される。本手法は微細構造画像から低次元特徴空間を学習し、元のサンプルと2点相関関数および多様な材料系（Ti-6Al-4Vや砂岩を含む）における臨界破壊強度において高精度な再構成を達成する。

ABSTRACT

Integrated Computational Materials Engineering (ICME) aims to accelerate optimal design of complex material systems by integrating material science and design automation. For tractable ICME, it is required that (1) a structural feature space be identified to allow reconstruction of new designs, and (2) the reconstruction process be property-preserving. The majority of existing structural presentation schemes rely on the designer's understanding of specific material systems to identify geometric and statistical features, which could be biased and insufficient for reconstructing physically meaningful microstructures of complex material systems. In this paper, we develop a feature learning mechanism based on convolutional deep belief network to automate a two-way conversion between microstructures and their lower-dimensional feature representations, and to achieves a 1000-fold dimension reduction from the microstructure space. The proposed model is applied to a wide spectrum of heterogeneous material systems with distinct microstructural features including Ti-6Al-4V alloy, Pb63-Sn37 alloy, Fontainebleau sandstone, and Spherical colloids, to produce material reconstructions that are close to the original samples with respect to 2-point correlation functions and mean critical fracture strength. This capability is not achieved by existing synthesis methods that rely on the Markovian assumption of material microstructures.

研究の動機と目的

• 複雑な材料微細構造の手動特徴抽出におけるスケーラビリティおよびバイアスの問題に対処すること。
• 深層学習を用いて自動的かつ性質を保持する異種微細構造の再構成を可能にすること。
• 効率的な計算材料設計のための設計空間次元を低減すること。
• 従来の微細構造生成手法におけるマルコフ的仮定の制限を克服すること。
• 多様な材料系に適用可能なスケーラブルでデータ駆動型の特徴学習フレームワークを提供すること。

提案手法

• 微細構造画像に対してエンドツーエンドで学習される5層の畳み込み深層信念ネットワーク（CDBN）を用いて、階層的特徴表現を学習する。
• グリーディ層別事前学習とその後のファインチューニングを用いて、画像と特徴間の双方向マッピングを実現するエンコーディングとデコーディングを実行する。
• 高次元微細構造画像から低次元多様体を学習し、約1000倍の次元削減を達成する。
• 再構成の忠実度を向上させるために、しきい値処理やスケルトン化などの後処理技術を適用する。
• 2点相関関数のような統計的特徴および平均臨界破壊強度のような機械的性質を保持する。
• 本フレームワークは、Ti-6Al-4V、Pb63-Sn37、フォンテーヌブロー砂岩、および球状コロイドの4つの異なる材料系で検証された。

実験結果

リサーチクエスチョン

• RQ1 手動による特徴工学を用いずに、深層信念ネットワークが複雑な微細構造のコンactかつ意味のある特徴表現を自動的に学習できるか？
• RQ2 CDBNは微細構造再構成の過程で統計的および機械的性質をどの程度保持できるか？
• RQ3 本モデルは、微細構造的特徴が著しく異なる多様な材料系において、どの程度の性能を示すか？
• RQ4 トレーニングデータサイズの影響は、再構成の分散および特徴品質にどのような影響を及えるか？
• RQ5 学習された特徴空間は、より効率的かつ正確な計算材料設計を可能にするか？

主な発見

• CDBNは、元の微細構造空間に対して1000倍の次元削減を達成しながら、重要な統計的および機械的性質を保持した。
• 再構成された微細構造は、2点相関関数および平均臨界破壊強度の観点で、元のサンプルと高い類似性を示した。
• トレーニングデータセットが小さいほど再構成分散が増加した：10サンプルで0.2644、50サンプルで0.2863、100サンプルで0.4205であり、より多くのデータで性能が向上することが示された。
• 本モデルは、非局所的かつ複雑な構造的パターンを捉えることができたため、従来のマルコフ的ベースの生成手法を上回った。
• 高い再構成忠実度にもかかわらず、本手法はプロセス-構造マッピングによる検証が行われていないため、物理的妥当性を保証しない。
• 学習された特徴は、プロセス-構造-性質関係の予測モデリングにおける後続用途に有望であるが、直接的な性質相関は示されなかった。