[논문 리뷰] Microstructure Representation and Reconstruction of Heterogeneous Materials via Deep Belief Network for Computational Material Design

Ruijin Cang, Yaopengxiao Xu외 4명|arXiv (Cornell University)|2016. 12. 22.

Machine Learning in Materials Science참고 문헌 8인용 수 10

한 줄 요약

이 논문은 이방성 재료에서의 자동화된 미세구조 표현 및 복원을 위한 컨볼루션 딥 베이즈 네트워크(CDBN)를 제안한다. 이는 통계적 및 기계적 성질을 유지하면서도 차원 수축을 1000배로 가능하게 한다. 이 방법은 미세구조 영상에서 저차원 특징 공간을 학습하며, 원본 샘플의 2점 상관 함수와 다양한 재료 체계(예: Ti-6Al-4V 및 모래석)에서의 임계 파손 강도와 일치하는 고정밀 복원을 달성한다.

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.

연구 동기 및 목표

• 복잡한 재료 미세구조의 수작업 특징 추출에서 발생하는 확장성 및 편향 문제를 해결하기 위해.
• 딥 러닝을 활용해 자동화되고 성질을 유지하는 이방성 미세구조의 복원을 가능하게 하기 위해.
• 효율적인 계산 기반 재료 설계를 위한 설계 공간의 차원 수축을 위해.
• 기존의 미세구조 합성 방법에서의 마르코프 가정의 한계를 극복하기 위해.
• 다양한 재료 체계에 적용 가능한 확장성 있고 데이터 기반의 특징 학습 프레임워크를 제공하기 위해.

제안 방법

• 5층의 컨볼루션 딥 베이즈 네트워크(CDBN)가 미세구조 영상에 대해 엔드 투 엔드로 훈련되어 계층적인 특징 표현을 학습한다.
• CDBN은 탐욕적인 계층별 사전 훈련과 이후의 토닝을 통해 동시 인코딩 및 디코딩을 수행하며, 영상과 특징 간의 이중 방향 매핑을 가능하게 한다.
• 모델은 고차원의 미세구조 영상에서 저차원의 다양체를 학습하며, 약 1000×의 차원 수축을 달성한다.
• 재구성 정밀도 향상을 위해 임계값 처리 및 스켈레톤화와 같은 후처리 기법을 적용한다.
• 2점 상관 함수와 평균 임계 파손 강도와 같은 통계적 특징과 기계적 성질을 유지한다.
• 프레임워크는 Ti-6Al-4V, Pb63-Sn37, Fontainebleau 모래석, 그리고 구형 콜로이드의 네 가지 다른 재료 체계에서 검증되었다.

실험 결과

연구 질문

• RQ1 딥 베이즈 네트워크는 수작업 특징 설계 없이도 복잡한 미세구조의 압축되고 의미 있는 특징 표현을 자동으로 학습할 수 있는가?
• RQ2 CDBN은 미세구조 복원 과정에서 통계적 및 기계적 성질을 어느 정도 유지할 수 있는가?
• RQ3 다양한 재료 체계에서 각각 다른 미세구조적 특징을 가진 모델의 성능은 어떠한가?
• RQ4 훈련 데이터 크기가 재구성 분산과 특징 품질에 어떤 영향을 미치는가?
• RQ5 학습된 특징 공간은 더 효율적이고 정확한 계산 기반 재료 설계를 가능하게 하는가?

주요 결과

• CDBN는 원래의 미세구조 공간에서 키워드 통계적 및 기계적 성질을 유지하면서도 1000배의 차원 수축을 달성했다.
• 재구성된 미세구조는 원본 샘플과 2점 상관 함수와 평균 임계 파손 강도 측면에서 높은 유사성을 보였다.
• 훈련 데이터셋이 작을수록 재구성 분산이 증가함: 10개 샘플일 경우 0.2644, 50개일 경우 0.2863, 100개일 경우 0.4205로, 더 많은 데이터로 성능 향상이 가능함을 시사한다.
• 모델은 비국소적이고 복잡한 구조 패턴을 포착함으로써 기존의 마르코프 기반 합성 방법보다 뛰어난 성능을 보였다.
• 높은 재구성 정밀도에도 불구하고, 복원 결과가 공정-구조 매핑을 통해 검증되지 않아 물리적 타당성은 보장되지 않는다.
• 학습된 특징는 프로세스-구조-성질 관계의 예측 모델링에 후속 응용 가능성이 있으며, 직접적인 성질 상관관계는 입증되지 않았다.