基于去噪扩散的二维显微图像合成生成三维各向异性微结构
材料科学
2023-12-14 v1 人工智能
摘要
集成计算材料工程 (ICME) 显著增强了对微结构与材料性能之间关系的系统分析，为高性能材料的开发铺平了道路。然而，由于三维 (3D) 微结构数据集的稀缺性，分析对微结构敏感的材料行为仍然具有挑战性。此外，如果微结构是各向异性的，这一挑战会被放大，因为这也会导致各向异性的材料性能。在本文中，我们提出了一个仅基于二维 (2D) 显微图像重建各向异性微结构的框架，该框架使用条件扩散生成模型 (DGMs)。所提出的框架涉及多个 2D 条件 DGMs 的空间连接，每个模型被训练用于为三个不同的正交平面生成 2D 微结构样本。连接后的多个反向扩散过程随后能够有效地对马尔可夫链进行建模，从而将噪声转化为 3D 微结构样本。此外，采用了一种改进的协调采样方法，以在保持 3D 空间中各向异性微结构样本切片之间的空间连接的同时提高样本质量。为了验证所提出的框架，从空间相关函数和物理材料行为两个方面对 2D 到 3D 重建的各向异性微结构样本进行了评估。结果表明，该框架不仅能够再现材料相的统计分布，还能再现 3D 空间中的材料性能。这突显了所提出的 2D 到 3D 重建框架在建立微结构-性能联系方面的潜在应用，可为未来的高通量材料设计提供帮助。
引用
@article{arxiv.2312.07832,
title = {Denoising diffusion-based synthetic generation of three-dimensional (3D) anisotropic microstructures from two-dimensional (2D) micrographs},
author = {Kang-Hyun Lee and Gun Jin Yun},
journal= {arXiv preprint arXiv:2312.07832},
year = {2023}
}