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

Ruijin Cang, Hechao Li+3 more|arXiv (Cornell University)|Dec 7, 2017

Machine Learning in Materials Science参考文献 49被引用 5

一句话总结

该论文提出了一种形态感知的生成模型，采用变分自编码器并引入风格损失，从有限的真实数据中生成人工异质材料显微结构。通过强制真实样本与合成样本之间的形态一致性，该方法在结构-性能预测任务中的表现优于当前最先进的马尔可夫随机场模型，尤其在保持真实性能分布和以极少数据提升预测准确性方面更具优势。

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.

研究动机与目标

• 为解决异质材料结构-性能映射中的数据稀缺问题，该问题中高维显微结构成像数据的生成成本高昂。
• 通过使用高保真度的合成显微结构扩充训练数据，提升深度学习模型在材料性能预测中的泛化能力和预测性能。
• 开发一种数据高效的生成模型，即使仅在少量真实样本上进行训练，也能保留真实显微结构的形态分布特征。
• 证明形态感知的生成方法相比现有生成方法，能构建更准确、更鲁棒的结构-性能预测模型。

提出的方法

• 采用变分自编码器（VAE）架构，使用卷积神经网络作为编码器和解码器，将显微结构映射至低维潜在空间并实现反向映射。
• 引入风格损失，通过辅助网络将真实样本的风格特征迁移至生成样本，以强制真实与生成显微结构之间的形态一致性。
• 生成模型通过最小化重建误差和风格损失进行训练，确保合成显微结构与真实样本在形态分布上保持一致。
• 模型在少量真实显微结构上进行训练，可几乎零成本地生成任意数量的人工样本。
• 生成的样本用于扩充结构-性能预测模型的训练数据，从而提升其泛化能力和预测准确性。
• 采用砂岩显微结构进行评估，预测杨氏模量、扩散系数和渗透率系数等性能参数。

实验结果

研究问题

• RQ1 在仅使用少量真实显微结构样本进行训练的条件下，生成模型能否生成在形态分布上与真实材料保持一致的合成样本？
• RQ2 与最先进的马尔可夫随机场（MRF）模型相比，形态感知的生成方法在保持合成显微结构性能分布方面表现如何？
• RQ3 使用形态感知的合成样本进行数据增强，能在多大程度上提升结构-性能预测模型的预测性能？
• RQ4 在生成模型中引入风格损失，是否能更有效地实现真实与合成显微结构在物理性能分布上的对齐？

主要发现

• 所提方法生成的人工显微结构，其物理性能分布（如杨氏模量、扩散系数、渗透率）与真实样本高度一致，而MRF生成的样本则表现出显著更小的方差。
• 当训练数据量从800增至1000样本时，MRF生成的样本导致预测模型性能下降，原因是训练数据与测试数据之间存在分布不匹配。
• 在所有数据规模下，使用本方法生成的合成数据训练的预测模型，其测试决定系数（R-squared）均高于MRF基线，且差异具有统计显著性。
• 即使仅使用少量真实训练样本，形态感知的生成模型在提升结构-性能预测准确性方面，也优于MRF基线模型。
• 基于风格损失的方法成功捕捉了复杂的形态模式，而无需人工特征工程；相比之下，MRF方法需显式建模体积分数方差。