[论文解读] Physics-aware Deep Generative Models for Creating Synthetic Microstructures

Rahul Singh, Viraj Shah+4 more|arXiv (Cornell University)|Nov 21, 2018

Composite Material Mechanics参考文献 9被引用 20

一句话总结

本论文提出了一类物理感知的深度生成模型——具体而言，包括基于WGAN的方法、不变性检查器生成对抗网络（GIN）以及GAN+GIN混合模型——通过强制执行如两点相关性和体积分数等物理约束，合成出逼真的二元微结构。这些模型以比传统优化方法快1000倍的速度生成多样化且物理一致的微结构，生成图像与目标统计描述符（如$p_1$（体积分数）和$\frac{dp_2}{dr}\big|_{r=0}$（界面面积））高度匹配。

ABSTRACT

A key problem in computational material science deals with understanding the effect of material distribution (i.e., microstructure) on material performance. The challenge is to synthesize microstructures, given a finite number of microstructure images, and/or some physical invariances that the microstructure exhibits. Conventional approaches are based on stochastic optimization and are computationally intensive. We introduce three generative models for the fast synthesis of binary microstructure images. The first model is a WGAN model that uses a finite number of training images to synthesize new microstructures that weakly satisfy the physical invariances respected by the original data. The second model explicitly enforces known physical invariances by replacing the traditional discriminator in a GAN with an invariance checker. Our third model combines the first two models to reconstruct microstructures that respect both explicit physics invariances as well as implicit constraints learned from the image data. We illustrate these models by reconstructing two-phase microstructures that exhibit coarsening behavior. The trained models also exhibit interesting latent variable interpolation behavior, and the results indicate considerable promise for enforcing user-defined physics constraints during microstructure synthesis.

研究动机与目标

• 解决依赖缓慢优化方法精炼的传统微结构模拟方法所面临的计算瓶颈。
• 在尊重如两点相关性和体积分数等物理不变性的前提下，实现快速、高保真度的二元两相微结构合成。
• 将用户定义的物理约束整合到深度生成模型中，以提升其在材料设计中的真实感与适用性。
• 探索数据驱动学习与显式物理约束在微结构生成中的相互作用。
• 证明在模型潜在空间中插值可揭示微结构特征中具有物理意义的形态变化。

提出的方法

• 使用带梯度惩罚的Wasserstein GAN（WGAN-GP）从有限的训练图像中学习微结构模式，隐式捕捉如两点相关性等物理不变性。
• 用基于物理的不变性检查函数替代GAN中的判别器，以验证微结构是否满足用户定义的物理约束（例如，两点相关性曲线）。
• 利用真实微结构数据校准不变性检查器，确保生成样本满足目标物理描述符，而无需进行判别器训练。
• 开发一种GAN+GIN混合模型，结合对抗训练与显式不变性强制，实现数据模式与物理约束的同步学习。
• 使用热退火条件下相分离模拟生成的2D微结构数据进行模型训练，将统计描述符（如$p_1$、$p_2$）作为目标不变性。
• 通过对比生成微结构的$p_1$（体积分数）和$p_2$（两点相关性）曲线与真实数据，验证模型性能，确保统计保真度。

实验结果

研究问题

• RQ1 即使在训练数据有限的情况下，深度生成模型是否能够被训练以生成尊重复杂物理不变性（如两点相关性和体积分数）的微结构？
• RQ2 用基于物理的不变性检查器替代判别器，如何提升样本多样性并消除微结构生成中的模式崩溃？
• RQ3 混合GAN+GIN模型在多大程度上能够同时学习隐含的数据模式并强制执行显式的物理约束？
• RQ4 在训练模型的潜在空间中进行插值，是否能揭示微结构特征中具有物理意义的形态过渡？
• RQ5 生成微结构的统计描述符（如$p_1$、$\frac{dp_2}{dr}\big|_{r=0}$）与真实微结构相比如何？

主要发现

• 基于WGAN的模型成功生成了隐式尊重物理不变性的微结构，$p_1$值与原始图像保持在$\pm 5\%$以内。
• 不变性检查器生成对抗网络（GIN）模型生成了多样化的微结构，其两点相关性曲线与目标高度吻合，$p_1$值根据训练配置在$0.296 \pm 0.017$至$0.431 \pm 0.04$之间变化。
• 混合GAN+GIN模型达到最佳平衡，生成的微结构$p_1$值范围为$[0.418, 0.452]$，对称分布于原始$p_1 = 0.436$附近，且$p_2$曲线与真实数据高度一致。
• 所有模型生成图像的$\frac{dp_2}{dr}\big|_{r=0}$（界面面积）描述符与原始图像相差不超过$10^\circ$，表明界面形态被准确再现。
• 在混合模型中进行潜在空间插值可揭示微结构形态之间平滑且物理上合理的过渡，表明物理特征实现了有意义的解耦。
• 所有模型在推理速度上显著优于传统基于优化的方法，实现了合成微结构的快速生成，适用于材料设计与分析。