[论文解读] Microstructure reconstruction using diffusion-based generative models

Kang‐Hyun Lee, Gun Jin Yun|arXiv (Cornell University)|Nov 20, 2022

Machine Learning in Materials Science被引用 6

一句话总结

本文提出了一种基于扩散的生成模型用于显微组织重建，能够稳定地生成具有不同形态和空间分布的多样化显微组织，且保真度高。该方法在多晶合金、陶瓷、嵌段共聚物和复合材料等多种材料中实现了图像质量与统计等价性方面的最先进性能，通过FID、精确率、召回率和显微组织描述符进行了验证。

ABSTRACT

Microstructure reconstruction has been an essential part of computational material engineering to reveal the relationship between microstructures and material properties. However, finding a general solution for microstructure characterization and reconstruction (MCR) tasks is still challenging, although there have been many attempts such as the descriptor-based MCR methods. To address this generality problem, the denoising diffusion models are first employed for the microstructure reconstruction task in this study. The applicability of the diffusion-based models is validated with several types of microstructures (e.g., polycrystalline alloy, carbonate, ceramics, copolymer, fiber composite, etc.) that have different morphological characteristics. The quality of the generated images is assessed with the quantitative evaluation metrics (FID score, precision, and recall) and the conventional statistical microstructure descriptors. Furthermore, the formulation of implicit probabilistic models (which yields non-Markovian diffusion processes) is adopted to accelerate the sampling process, thereby controlling the computational cost considering the practicability and reliability. The results show that the denoising diffusion models are well applicable to the reconstruction of various types of microstructures with different spatial distributions and morphological features. The diffusion-based approach provides a stable training process with simple implementation for generating visually similar and statistically equivalent microstructures. In these regards, the diffusion model has great potential to be used as a universal microstructure reconstruction method for handling complex microstructures for materials science.

研究动机与目标

• 为解决在多种材料类型中缺乏通用的显微组织表征与重建（MCR）方法的问题。
• 评估去噪扩散模型在具有不同形态与空间特征的复杂显微组织中的适用性。
• 通过隐式概率公式加速扩散模型采样，以提高计算效率而不降低可靠性。
• 证明扩散模型能够为材料科学应用生成统计等价且视觉逼真的显微组织。

提出的方法

• 采用去噪扩散概率模型（DDPMs）作为显微组织重建的核心生成框架。
• 提出一种隐式概率模型，以实现非马尔可夫扩散过程，从而提升采样速度并降低计算成本。
• 在包括多晶合金、碳酸盐、陶瓷、嵌段共聚物和纤维复合材料在内的多样化显微组织数据集上进行模型训练。
• 采用噪声调度和去噪U-Net架构，以建模从高斯噪声到真实显微组织的逆向去噪过程。
• 通过定量指标（FID、精确率、召回率）和标准显微组织描述符（如两点相关函数）进行评估。
• 通过扩散过程中架构与概率设计的选择，优化训练稳定性和推理效率。

实验结果

研究问题

• RQ1 基于扩散的生成模型能否有效重建具有多样化形态与空间特征的显微组织？
• RQ2 与现有基于描述符的MCR方法相比，所提出的扩散模型在图像质量和统计保真度方面表现如何？
• RQ3 隐式概率建模在多大程度上可加速采样，同时保持重建精度？
• RQ4 该扩散模型在多种材料类别（包括金属、陶瓷和聚合物）中是否具备鲁棒性？

主要发现

• 该扩散模型成功地在六种不同材料类型中生成了高保真度的显微组织，包括多晶合金、碳酸盐、陶瓷、嵌段共聚物和纤维复合材料。
• 模型获得了具有竞争力的FID分数，并表现出较高的精确率与召回率，表明其与真实显微组织具有强统计等价性。
• 采用隐式概率模型显著加快了采样速度，降低了计算成本，同时保持了重建质量。
• 训练过程稳定，且几乎无需超参数调优，显示出良好的可实施性。
• 生成的显微组织通过标准显微组织描述符验证，表现出逼真的空间相关性和形态特征。