[论文解读] Multi-modal data-driven microstructure characterization

Qi Zhang, Santiago Benito+2 more|arXiv (Cornell University)|Jan 18, 2026

Machine Learning in Materials Science被引用 0

一句话总结

该论文通过将 PCA、约束非负矩阵分解（cNMF）和变分自编码器（VAE）相结合，提出了一种自主、数据驱动的 EBSD 微观结构分析工作流，在无需人工干预的情况下实现晶粒/相分割与边界检测。

ABSTRACT

Electron backscatter diffraction is one of the most prevalent techniques used for microstructural characterization. In recent years, there has been an increase in the use of data-driven methods to analyze raw Kikuchi patterns. However, most of these require user input and the interpretation of the data-derived features is often challenging and subject to extit{informed interpretation}. By using a combination of principal component analysis, constrained non-negative matrix factorization, and a variational autoencoder along with information-theoretical considerations on a multimodal dataset, it is shown that a) automated decision on method-specific hyperparameters, here the number of components in principal component analysis, the number of components for constrained non-negative matrix factorization, and the selection of reference constraints; and b) latent space features can be mapped to physically-meaningful quantities. In addition, the recommended region-of-interest (ROI) size for optimal model performance is approximated automatically to be twice the characteristic grain size based on information content of the dataset. Implemented in a workflow, this allows for a transferable, dataset-specific autonomous data-driven phase and grain segmentation including grain boundary detection and the analysis of very-small-angle intra-grain variations to complement conventional electron backscatter analysis.

研究动机与目标

• 使用信息论准则自动确定 PCA 和 cNMF 的超参数（例如分量数量、参考约束）。
• 将潜在空间特征映射到物理上有意义的微观结构量。
• 开发一个可迁移的自动相及晶粒分割工作流，包括晶界检测。
• 实现对晶粒内取向变化和缺陷的分析，超越传统 EBSD。
• 将该工作流应用于部分还原的铁矿球团，以证明可迁移性和鲁棒性。

提出的方法

• 对 EBSD 数据进行预处理并离散化感兴趣区域 (ROI) 以便后续分析。
• 使用 PCA(或 IPCA) 降维，并通过累计方差曲线的拐点检测自动确定最佳分量数。
• 用高斯混合模型对 PCA 表征进行聚类，并通过综合的 AIC/BIC/SC 得分自动选择聚类数量。
• 使用从马氏距离分析中自动选择的数据驱动参考分量进行受约束的非负矩阵分解（cNMF）。
• 应用卷积型变分自编码器（VAE）学习 Kikuchi 图样的潜在表示，并将潜在特征与物理/EDS 数据相关联。
• 通过马氏距离和卡方阈值定义异常，以识别晶粒/相边界及异质性。

实验结果

研究问题

• RQ1 是否能够在没有用户输入的情况下从数据中自动确定 PCA 和 cNMF 的超参数？
• RQ2 如何将来自 PCA、cNMF 和 VAE 的潜在空间特征与物理上有意义的微观结构量（相、边界、缺陷）相关联？
• RQ3 哪种 ROI 大小能获得数据驱动的微观结构分割和边界检测的最佳性能？
• RQ4 是否能够从数据驱动的权重图和异常分析中识别晶粒和相边界，以及它们与传统 EBSD 结果相比如何？
• RQ5 完全自治的工作流在多大程度上能够描绘晶粒内取向变化和亚结构？

主要发现

• 通过将 PCA、GMM 聚类、马氏距离异常、cNMF 和 VAE 整合，获得一个可自动化并具可迁移性的数据驱动的 EBSD 微观结构表征工作流是可行的。
• 该方法能够在数据分布的基础上实现对超参数的自治决策以及对 cNMF 的参考约束的自动选择。
• 异常（通过马氏距离和卡方阈值）通常与晶粒或相边界以及晶粒内异质性重合。
• ROI 大小与一个最佳长度尺度相关，大约是特征晶粒尺寸的两倍，从而提升分割鲁棒性。
• VAE 的潜在特征与EDS 元素分布和带对比度相关联，提供微观结构的另一种无监督表征。
• 该方法在晶粒分割和边界检测方面表现出一致性，并对部分还原的铁矿球团的传统 EBSD 分析提供了补充。