[논문 리뷰] Improving Direct Physical Properties Prediction of Heterogeneous Materials from Imaging Data via Convolutional Neural Network and a Morphology-Aware Generative Model

Ruijin Cang, Hechao Li외 3명|arXiv (Cornell University)|2017. 12. 07.

Machine Learning in Materials Science참고 문헌 49인용 수 5

한 줄 요약

이 논문은 제한된 진짜 데이터에서 인공 이종 재료 미세구조를 생성하기 위해 변동형 자동에코더와 스타일 손실을 사용하는 형태학적 인식 생성 모델을 제안한다. 실제 및 합성 샘플 간의 형태학적 일致성을 강제함으로써, 최신의 마르코프 난수장 모델보다 더 효과적으로 구조-성질 예측 성능을 향상시킨다. 특히 적은 데이터로도 현실적인 성질 분포를 유지하고 예측 정확도를 높인다.

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.

연구 동기 및 목표

• 고비용의 고차원 미세구조 영상 데이터로 인해 이종 재료의 구조-성질 맵핑에서 데이터 부족 문제를 해결하기 위해.
• 고품질의 합성 미세구조로 훈련 데이터를 증강하여 딥러닝 모델의 일반화 및 예측 성능을 향상시키기 위해.
• 진짜 미세구조의 형태학적 분포를 유지하는 데이터 효율적인 생성 모델을 개발하기 위해.
• 기존의 생성 접근 방식에 비해 형태학적 인식 생성이 더 정확하고 강건한 구조-성질 모델을 도출하는 데 기여하는지 입증하기 위해.

제안 방법

• 변동형 자동에코더(VAE) 아키텍처를 사용하며, 컨volutional 신경망을 인코더 및 디코더로 활용하여 미세구조를 저차원 잠재공간으로 매핑한다.
• 보조 네트워크를 통해 진짜 샘플의 스타일 특징를 전달함으로써, 실제 및 생성된 미세구조 간의 형태학적 일致성을 강제하기 위해 스타일 손실을 도입한다.
• 생성 모델은 재구성 오차와 스타일 손실을 최소화하도록 훈련되어, 합성된 미세구조가 실제 미세구조의 형태학적 분포를 정확히 반영하도록 보장한다.
• 모델은 소량의 진짜 미세구조 데이터로 훈련되며, 계산 비용이 거의 들지 않는 방식으로 임의의 수의 인공 샘플을 생성한다.
• 생성된 샘플은 예측용 구조-성질 모델의 훈련 데이터를 증강하는 데 사용되어 일반화 능력과 정확도를 향상시킨다.
• 모델 평가에 사암 미세구조를 사용하였으며, 염력 모odulus, 확산, 투과도 계수의 성질 예측을 수행하였다.

실험 결과

연구 질문

• RQ1 소량의 진짜 미세구조로 훈련된 생성 모델이 실제 재료의 형태학적 분포를 유지하는 합성 샘플을 생성할 수 있는가?
• RQ2 형태학적 인식 생성은 최신의 마르코프 난수장(MRF) 모델에 비해 합성 미세구조의 성질 분포를 얼마나 잘 유지하는가?
• RQ3 형태학적 인식 합성 샘플을 이용한 데이터 증강이 구조-성질 모델의 예측 성능을 어느 정도 향상시키는가?
• RQ4 생성 모델에 스타일 손실을 포함함으로써 실제 및 합성 미세구조 간의 물리적 성질 분포 일치도가 향상되는가?

주요 결과

• 제안된 방법은 실제 샘플과 유사한 물리적 성질 분포(예: 염력 모odulus, 확산, 투과도)를 가진 인공 미세구조를 생성한다. 반면 MRF로 생성된 샘플은 분산이 현저히 작다.
• MRF로 생성된 샘플은 훈련 데이터 크기를 800에서 1000으로 늘일수록 훈련 및 테스트 데이터 간 분포 불일치로 인해 예측 모델 성능이 저하되었다.
• 제안된 방법으로 생성된 합성 데이터로 훈련된 예측 모델은 모든 데이터 크기에서 MRF 기준선보다 더 높은 테스트 R-제곱 값을 기록했으며, 통계적으로 유의미한 향상이 있었다.
• 소량의 진짜 훈련 샘플로도 형태학적 인식 생성 모델이 MRF 기준선보다 더 효과적으로 구조-성질 예측 정확도를 향상시켰다.
• 스타일 손실 기반 접근은 수작업 특징 공학 없이도 복잡한 형태학적 패턴을 성공적으로 포착했으며, MRF 방법가지 부피 분율 분산을 명시적으로 모델링해야 하는 점과 대비된다.