[论文解读] Mastering processing-microstructure complexity through the prediction of thin film structure zone diagrams by generative machine learning models

Lars Banko, Yury Lysogorskiy+4 more|arXiv (Cornell University)|Oct 21, 2019

Machine Learning in Materials Science参考文献 76被引用 5

一句话总结

本文提出了一种结合变分自编码器与条件生成对抗网络的生成式机器学习框架，用于预测薄膜结构区图，从而高效探索复杂的工艺-显微组织-性能关系。该方法实现了对显微组织结果的高保真度、多参数预测，显著降低了材料设计中的实验成本。

ABSTRACT

Thin films are ubiquitous in modern technology and highly useful in materials discovery and design. For achieving optimal extrinsic properties their microstructure needs to be controlled in a multi-parameter space, which usually requires a too-high number of experiments to map. We propose to master thin film processing microstructure complexity and to reduce the cost of microstructure design by joining combinatorial experimentation with generative deep learning models to extract synthesis-composition-microstructure relations. A generative machine learning approach comprising a variational autoencoder and a conditional generative adversarial network predicts structure zone diagrams. We demonstrate that generative models provide a so far unseen level of quality of generated structure zone diagrams comprising chemical and processing complexity for the optimization of chemical composition and processing parameters to achieve a desired microstructure.

研究动机与目标

• 为解决将多参数工艺条件映射到薄膜显微组织时的高实验成本问题。
• 克服在化学与工艺变量范围内合成具有所需显微组织材料的复杂性。
• 开发一种数据高效的机器学习框架，仅基于有限的实验数据即可预测结构区图。
• 通过学习合成-成分-显微组织关系，实现对薄膜显微组织的定向设计。

提出的方法

• 在实验数据上训练变分自编码器（VAE），以学习薄膜工艺条件与显微组织的低维潜在表征。
• 将条件生成对抗网络（cGAN）以目标显微组织类别为条件，生成新的、合理的工艺-显微组织组合。
• 联合优化VAE与cGAN，以提升生成的结构区图的质量与多样性。
• 整合组合实验数据，使模型在真实世界的工艺-显微组织映射上进行训练。
• 潜在空间插值可探索训练数据中未包含的新工艺路径。
• 模型输出的结构区图可根据成分与沉积参数预测显微组织相。

实验结果

研究问题

• RQ1 生成式机器学习模型能否在复杂的化学与工艺参数空间中准确预测薄膜的结构区图？
• RQ2 混合VAE-cGAN模型在有限实验数据下，能否生成真实且多样的显微组织结果？
• RQ3 该模型在薄膜合成中显微组织优化方面，能在多大程度上减少所需实验数量？
• RQ4 学习得到的潜在空间在材料设计中能否实现有意义的插值与外推？

主要发现

• 生成模型成功以高保真度预测了结构区图，捕捉到了工艺参数、成分与显微组织之间复杂的依赖关系。
• 即使训练数据有限，模型仍能生成多样且物理解释合理的显微组织结果，展现出优异的数据效率。
• 潜在空间插值揭示了显微组织相之间的连续转变，实现了对工艺窗口的合理探索。
• 该框架通过识别最优工艺条件，避免了繁琐的试错过程，显著减轻了显微组织设计的实验负担。
• 预测的结构区图与实验观测高度一致，验证了模型的预测能力。
• VAE与cGAN的集成实现了解耦表征学习与条件生成，其生成的结构图质量优于基线模型。