[논문 리뷰] Physics-aware Deep Generative Models for Creating Synthetic Microstructures

Rahul Singh, Viraj Shah외 4명|arXiv (Cornell University)|2018. 11. 21.

Composite Material Mechanics참고 문헌 9인용 수 20

한 줄 요약

이 논문은 두점상관관계와 부피분율과 같은 물리적 제약 조건을 강제하여 현실적인 이중 미세구조를 합성하는 물리적 인식이 있는 딥 생성 모델—특히 WGAN 기반 접근법, 불변성 체크 기반 GAN(GIN), 하이브리드 GAN+GIN 모델—을 제안한다. 이 모델들은 전통적인 최적화 기반 방법보다 최대 1000배 빠르게 다양하고 물리적으로 일관된 미세구조를 생성하며, 생성된 이미지가 $p_1$ (부피분율) 및 $rac{dp_2}{dr}ig|_{r=0}$ (경계면적)와 같은 목표 통계 기술자와 밀접하게 일치한다.

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.

연구 동기 및 목표

• 느린 최적화 기반 정련에 의존하는 전통적인 미세구조 시뮬레이션 방법의 계산적 병목 현상을 해결한다.
• 두점상관관계와 부피분율과 같은 물리적 불변성을 존중하면서도, 이중 2상 미세구조를 신속하고 고정밀도로 합성할 수 있도록 한다.
• 사용자 정의된 물리적 제약 조건을 딥 생성 모델에 통합하여 재료 설계에서의 현실성과 적용 가능성을 향상시킨다.
• 미세구조 생성에서 데이터 기반 학습과 명시적 물리적 제약 조건 간의 상호작용을 탐색한다.
• 잠재 공간 내부의 보간이 미세구조 특징의 의미 있는 물리적 및 형태학적 변화를 드러내는가를 입증한다.

제안 방법

• 제한된 훈련 이미지에서 미세구조 패턴을 학습하기 위해 기울기 보정이 있는 워셔스타인 GAN(WGAN-GP)을 사용하여 두점상관관계와 같은 물리적 불변성을 암묵적으로 캡처한다.
• GAN의 판별기 기능을 사용자 정의된 물리적 제약 조건(예: 두점상관관계 곡선)에 대해 미세구조를 검증하는 물리 기반 불변성 체크 함수로 대체한다.
• 실제 미세구조 데이터를 사용해 불변성 체크를 校정하여, 판별기 훈련 없이도 생성 샘플이 목표 물리 기술자들을 충족하도록 보장한다.
• 대부분의 데이터 패턴 학습과 물리적 제약 조건의 명시적 강제를 동시에 가능하게 하는 하이브리드 GAN+GIN 모델을 개발한다.
• 열적 안정화 조건 하에서 상분리 시뮬레이션으로부터 생성된 2D 미세구조 데이터를 사용해 모델을 훈련하고, 통계 기술자(예: $p_1$, $p_2$)를 목표 불변성으로 사용한다.
• 생성된 미세구조의 $p_1$ (부피분율) 및 $p_2$ (두점상관관계) 곡선을 실제 데이터와 비교하여 모델 성능을 검증함으로써 통계적 정밀도를 확보한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로도 두점상관관계와 부피분율과 같은 복잡한 물리적 불변성을 존중하는 딥 생성 모델이 미세구조를 합성할 수 있는가?
• RQ2 판별기를 물리 기반 불변성 체크 함수로 대체함으로써 샘플의 다양성은 어떻게 향상되고, 모드 붕괴는 어떻게 제거되는가?
• RQ3 하이브리드 GAN+GIN 모델이 미세구조 합성에서 암묵적 데이터 패턴 학습과 명시적 물리적 제약 조건 강제를 어느 정도 동시에 수행할 수 있는가?
• RQ4 훈련된 모델의 잠재 공간 내부 보간이 미세구조 특징의 물리적으로 의미 있는 형태학적 전이를 드러내는가?
• RQ5 생성된 미세구조의 통계 기술자(예: $p_1$, $\frac{dp_2}{dr}\big|_{r=0}$)는 실제 미세구조와 비교해 어떻게 되는가?

주요 결과

• WGAN 기반 모델은 두점상관관계와 부피분율과 같은 물리적 불변성을 암묵적으로 존중하는 미세구조를 성공적으로 생성하였으며, $p_1$ 값이 원본 이미지의 $\pm 5\%$ 이내였다.
• 불변성 체크 기반 GAN(GIN) 모델은 목표 두점상관관계 곡선과 밀접하게 일치하는 다양한 미세구조를 생성하였으며, 훈련 설정에 따라 $p_1$ 값은 $0.296 \pm 0.017$ 에서 $0.431 \pm 0.04$ 사이로 변동하였다.
• 하이브리드 GAN+GIN 모델은 최적의 균형을 달성하여 $p_1$ 값이 $[0.418, 0.452]$ 범위 내에 있으며, 원본 $p_1 = 0.436$ 근처로 대칭적으로 분포하고, $p_2$ 곡선도 실제 데이터와 밀접하게 일치하였다.
• 모든 모델에서 생성된 이미지의 $\frac{dp_2}{dr}\big|_{r=0}$ (경계면적) 기술자가 원본 이미지와 $10^\circ$ 이내로 유지되어 경계면 형태의 정확한 재현을 보였다.
• 하이브리드 모델의 잠재 공간 내부 보간은 미세구조 형태학적 전이가 부드럽고 물리적으로 타당한 것을 드러내어 물리적 특징의 의미 있는 분리가 이루어졌음을 시사한다.
• 모든 모델가 전통적인 최적화 기반 방법보다 유의미하게 빠른 추론 속도를 보이며, 재료 설계 및 분석에 적합한 합성 미세구조를 신속하게 생성할 수 있었다.