[论文解读] Microstructure Representation and Reconstruction of Heterogeneous Materials via Deep Belief Network for Computational Material Design

Ruijin Cang, Yaopengxiao Xu+4 more|arXiv (Cornell University)|Dec 22, 2016

Machine Learning in Materials Science参考文献 8被引用 10

一句话总结

本文提出了一种卷积神经网络深度置信网络（CDBN），用于异质材料中微结构的自动表征与重建，实现了1000倍的降维，同时保留了统计特性和力学性能。该方法从微结构图像中学习一个低维特征空间，实现了高保真度的重建，其结果在2点相关函数和多种材料体系（包括Ti-6Al-4V和砂岩）中的临界断裂强度方面与原始样本高度一致。

ABSTRACT

Integrated Computational Materials Engineering (ICME) aims to accelerate optimal design of complex material systems by integrating material science and design automation. For tractable ICME, it is required that (1) a structural feature space be identified to allow reconstruction of new designs, and (2) the reconstruction process be property-preserving. The majority of existing structural presentation schemes rely on the designer's understanding of specific material systems to identify geometric and statistical features, which could be biased and insufficient for reconstructing physically meaningful microstructures of complex material systems. In this paper, we develop a feature learning mechanism based on convolutional deep belief network to automate a two-way conversion between microstructures and their lower-dimensional feature representations, and to achieves a 1000-fold dimension reduction from the microstructure space. The proposed model is applied to a wide spectrum of heterogeneous material systems with distinct microstructural features including Ti-6Al-4V alloy, Pb63-Sn37 alloy, Fontainebleau sandstone, and Spherical colloids, to produce material reconstructions that are close to the original samples with respect to 2-point correlation functions and mean critical fracture strength. This capability is not achieved by existing synthesis methods that rely on the Markovian assumption of material microstructures.

研究动机与目标

• 解决复杂材料微结构中人工特征提取存在的可扩展性与偏差问题。
• 利用深度学习实现异质微结构的自动化、属性保持型重建。
• 降低设计空间的维度，以实现高效的计算材料设计。
• 克服现有微结构合成方法中马尔可夫假设的局限性。
• 为多种材料体系提供一种可扩展、数据驱动的特征学习框架。

提出的方法

• 在微结构图像上端到端训练一个五层卷积神经网络深度置信网络（CDBN），以学习分层的特征表征。
• CDBN通过贪婪的逐层预训练结合微调，实现编码与解码的联合优化，支持图像与特征之间的双向映射。
• 该模型从高维微结构图像中学习一个低维流形，实现了约1000倍的维度压缩。
• 采用阈值化和骨架化等后处理技术，以提升重建的保真度。
• 该方法保留了诸如2点相关函数等统计特征以及平均临界断裂强度等力学性能。
• 该框架在四种不同的材料体系上进行了验证：Ti-6Al-4V、Pb63-Sn37、Fontainebleau砂岩和球形胶体。

实验结果

研究问题

• RQ1 深度置信网络是否能够无需人工特征工程，自动学习复杂微结构的紧凑且有意义的特征表征？
• RQ2 CDBN在微结构重建过程中，能在多大程度上保留统计特性和力学性能？
• RQ3 该模型在具有不同微结构特征的多种材料体系中表现如何？
• RQ4 训练数据集大小对重建方差和特征质量有何影响？
• RQ5 所学习的特征空间是否能够实现更高效、更准确的计算材料设计？

主要发现

• CDBN在保持关键统计特性和力学性能的前提下，实现了原始微结构空间1000倍的维度压缩。
• 重建的微结构在2点相关函数和平均临界断裂强度方面与原始样本高度相似。
• 随着训练集规模减小，重建方差增加：10组样本时为0.2644，50组样本时为0.2863，100组样本时为0.4205，表明数据量越大性能越优。
• 该模型优于传统基于马尔可夫的方法，能够捕捉非局部和复杂的结构模式。
• 尽管重建保真度高，但该方法无法保证物理可行性，因为重建结果未通过工艺-结构映射进行验证。
• 所学习的特征在预测工艺-结构-性能关系的下游建模中具有潜力，但尚未直接证明其与材料性能的相关性。