[论文解读] Reconstructing microstructures from statistical descriptors using neural cellular automata

Paul Seibert, Alexander Raßloff+5 more|arXiv (Cornell University)|Sep 28, 2023

Cellular Automata and Applications被引用 4

一句话总结

该论文提出了一种基于神经元胞 automaton（NCA）的方法，用于从统计描述符重建复杂微观结构，无需依赖大规模图像数据集。通过在描述符而非图像上进行训练，NCA 仅利用局部规则学习演化微观结构，从而实现可扩展、可并行化且高效的大型二维微观结构生成，具有长程相关性，其速度和可扩展性优于传统基于描述符的方法。

ABSTRACT

The problem of generating microstructures of complex materials in silico has been approached from various directions including simulation, Markov, deep learning and descriptor-based approaches. This work presents a hybrid method that is inspired by all four categories and has interesting scalability properties. A neural cellular automaton is trained to evolve microstructures based on local information. Unlike most machine learning-based approaches, it does not directly require a data set of reference micrographs, but is trained from statistical microstructure descriptors that can stem from a single reference. This means that the training cost scales only with the complexity of the structure and associated descriptors. Since the size of the reconstructed structures can be set during inference, even extremely large structures can be efficiently generated. Similarly, the method is very efficient if many structures are to be reconstructed from the same descriptor for statistical evaluations. The method is formulated and discussed in detail by means of various numerical experiments, demonstrating its utility and scalability.

研究动机与目标

• 开发一种可扩展且高效的微观结构重建方法，避免对大规模图像数据集的依赖。
• 将模拟、马尔可夫随机场、深度学习和基于描述符的方法整合到统一框架中。
• 通过在神经元胞 automaton 中利用局部更新规则，实现在高分辨率和大规模下的微观结构生成。
• 实现从训练好的模型中快速采样微观结构，尤其适用于需要大量实现的统计评估。
• 探索将该方法扩展至从二维或三维参考数据进行三维微观结构重建的可行性。

提出的方法

• 训练神经元胞 automaton（NCA）基于局部邻域信息和统计描述符演化微观结构，而非图像数据。
• NCA 使用小型神经网络，基于其局部上下文为每个像素学习类似偏微分方程的更新规则。
• 微观结构表示中的隐藏维度使得即使仅通过纯局部更新也能实现长程相关性。
• 训练使用从单个参考微观结构导出的统计描述符（例如，两点相关函数）。
• 推理过程中的采样完全可并行化，因为每个像素的更新仅依赖于其局部邻域和 NCA 学习到的动力学。
• 该方法将昂贵的描述符评估与优化过程解耦至训练阶段，从而实现大规模重建的快速推理。

实验结果

研究问题

• RQ1 神经元胞 automaton 是否能够仅使用统计描述符重建复杂微观结构，而无需参考显微图像数据集？
• RQ2 在生成大量或大规模微观结构实现时，基于 NCA 的方法在计算成本方面如何扩展？
• RQ3 NCA 中的局部更新规则在多大程度上能够捕捉异质材料中的长程形态相关性？
• RQ4 与成熟的基于描述符的重建方法（如 DMCR）相比，基于 NCA 的方法在效率和准确性方面表现如何？
• RQ5 该方法是否可扩展至从二维或三维参考数据进行三维微观结构重建？

主要发现

• 基于 NCA 的方法在推理过程中计算成本与像素数量呈线性关系，从而能够高效生成大型微观结构，例如 4096² 像素的重建。
• 从训练好的 NCA 中采样显著快于传统的基于描述符的方法（如 DMCR），尤其在大规模或重复重建时优势明显。
• 该方法展现出卓越的可扩展性：训练成本与重建规模无关，且采样成本的增长速率相比 DMCR 呈次线性。
• 尽管仅依赖局部更新规则，NCA 仍能成功捕捉微观结构中的长程相关性，这得益于微观结构表示中的隐藏状态维度。
• 由于其局部自组装的内在特性，该方法本质上可并行化，可高效分布于计算资源上。
• 该方法在采样速度和可扩展性方面优于 DMCR，且训练成本可分摊至大量重建中，使其特别适合统计评估。