[論文レビュー] Physics-aware Deep Generative Models for Creating Synthetic Microstructures

Rahul Singh, Viraj Shah+4 more|arXiv (Cornell University)|Nov 21, 2018

Composite Material Mechanics参考文献 9被引用数 20

ひとこと要約

本稿では、二点相関関数や体積分率といった物理的制約を強制することで、現実的なバイナリ微細組織を合成する物理的感度を持つ深層生成モデル——特にWGANベースの手法、不変性チェック用GAN（GIN）、およびGAN+GINハイブリッドモデル——を提案する。これらのモデルは、従来の最適化手法に比べて最大1000倍速く、多様で物理的に整合性のある微細組織を生成でき、生成画像は $p_1$（体積分率）や $rac{dp_2}{dr}ig|_{r=0}$（界面積）といったターゲット統計記述子と密接に一致する。

ABSTRACT

A key problem in computational material science deals with understanding the effect of material distribution (i.e., microstructure) on material performance. The challenge is to synthesize microstructures, given a finite number of microstructure images, and/or some physical invariances that the microstructure exhibits. Conventional approaches are based on stochastic optimization and are computationally intensive. We introduce three generative models for the fast synthesis of binary microstructure images. The first model is a WGAN model that uses a finite number of training images to synthesize new microstructures that weakly satisfy the physical invariances respected by the original data. The second model explicitly enforces known physical invariances by replacing the traditional discriminator in a GAN with an invariance checker. Our third model combines the first two models to reconstruct microstructures that respect both explicit physics invariances as well as implicit constraints learned from the image data. We illustrate these models by reconstructing two-phase microstructures that exhibit coarsening behavior. The trained models also exhibit interesting latent variable interpolation behavior, and the results indicate considerable promise for enforcing user-defined physics constraints during microstructure synthesis.

研究の動機と目的

• 最適化に基づく精錬に依存する従来の微細組織シミュレーション手法の計算的ボトル neck を解消すること。
• 二点相関関数や体積分率といった物理的不変性を尊重しながら、バイナリ二相微細組織を高速かつ高精度に合成すること。
• ユーザー定義の物理的制約を深層生成モデルに統合し、材料設計における現実性と応用性を向上させること。
• 微細組織生成におけるデータ駆動型学習と明示的物理的制約の相互作用を解明すること。
• 潜在空間内での補間が、微細組織特徴における物理的かつ形態的変化を意味的に明らかにできることを示すこと。

提案手法

• 限定的なトレーニング画像から微細組織パターンを学習するため、勾配ペナルティ付きWasserstein GAN（WGAN-GP）を用い、二点相関関数のような物理的不変性を暗黙的に捉える。
• GANのディスクライマーを、ユーザーが定義した物理的制約（例：二点相関曲線）に対して微細組織を検証する物理的不変性チェック関数に置き換える。
• 実際の微細組織データを用いて不変性チェック関数をキャリブレーションし、ディスクライマーのトレーニングを必要とせずに生成サンプルがターゲット物理的記述子を満たすようにする。
• 敵対的トレーニングと明示的不変性強制を組み合わせたハイブリッドGAN+GINモデルを開発し、同時にデータパターンの学習と物理的制約の強制を可能にする。
• 熱的アニーリング下での相分離シミュレーションから生成された2次元微細組織データを用いてモデルをトレーニングし、統計的記述子（例：$p_1$、$p_2$）をターゲット不変性として使用する。
• 生成された微細組織の $p_1$（体積分率）および $p_2$（二点相関）曲線を実データと比較することで、モデルの性能を検証し、統計的忠実性を確保する。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータのもとで、二点相関関数や体積分率といった複雑な物理的不変性を尊重する深層生成モデルを訓練可能か？
• RQ2 ディスクライマーを物理的不変性チェック関数に置き換えることで、微細組織生成におけるサンプルの多様性が向上し、モード崩壊が解消されるか？
• RQ3 ハイブリッドGAN+GINモデルが、微細組織生成において、暗黙のデータパターン学習と明示的物理的制約の両方をどの程度同時に達成できるか？
• RQ4 トレーニング済みモデルの潜在空間内での補間が、物理的に意味のある微細組織形態の遷移を明らかにできるか？
• RQ5 生成された微細組織の統計的記述子（例：$p_1$、$\frac{dp_2}{dr}\big|_{r=0}$）は、実際の微細組織とどの程度一致するか？

主な発見

• WGANベースのモデルは、二点相関関数や体積分率といった物理的不変性を暗黙的に尊重する微細組織を効果的に生成でき、$p_1$値が元の画像と$\pm 5\%$以内に収まる。
• 不変性チェック用GAN（GIN）モデルは、多様な微細組織を生成し、ターゲット二点相関曲線と密接に一致する。$p_1$値はトレーニング設定に応じて$0.296 \pm 0.017$から$0.431 \pm 0.04$の範囲に収まる。
• ハイブリッドGAN+GINモデルは最良のバランスを達成し、$p_1$値が$[0.418, 0.452]$の範囲にあり、元の$ p_1 = 0.436 $の周囲に均等に分布し、$p_2$曲線も実データと密接に一致する。
• すべてのモデルにおいて、生成画像の $\frac{dp_2}{dr}\big|_{r=0}$（界面積）記述子が元の画像と$10^\circ$以内に収まるため、界面の形態が正確に再現されていることが示された。
• ハイブリッドモデルにおける潜在空間内補間により、物理的に妥当な微細組織形態の滑らかな遷移が得られ、物理的特徴の意味的な分離が示唆された。
• すべてのモデルが、従来の最適化に基づく手法に比べて顕著に高速な推論速度を達成しており、材料設計および解析のための合成微細組織の迅速な生成が可能となった。