通过变分自编码器的数字指纹探索钛微观结构的描述符
材料科学
2024-01-23 v1 计算物理
摘要
微观结构是控制和理解金属材料性能的关键，但传统的微观结构描述方法仅捕捉少量特征。为了实现以数据为中心的材料发现方法、允许微观结构数据的高效存储并协助金属加工中的质量控制，我们需要更完整的微观结构描述符。微观结构指纹的概念，即使用机器学习（ML）开发定量的、低维的微观结构描述符，最近引起了广泛关注。然而，ML算法得出的结论（通常被称为“黑箱”）难以解释。在这里，我们探索了变分自编码器（VAE），它可以被训练以在连续潜在空间中产生微观结构指纹。VAE能够从指纹重建图像，使我们能够探索微观结构的关键特征是如何编码的。我们开发了一个基于ResNet18的VAE架构，并以Ti-6Al-4V光学显微照片为例进行训练，这是一种工业上重要的合金，其微观结构控制对性能至关重要。我们通过多种方式探索潜在空间，包括向训练好的解码器提供插值和随机扰动的指纹，以及通过降维来探索指纹潜在空间内微观结构特征的分布。我们表明，VAE指纹表现出平滑、可插值的行为，且对局部扰动具有稳定性，支持其作为微观结构通用描述符的适用性。我们还表明，微观结构的关键属性与潜在空间中的位置强相关，支持使用VAE指纹进行过程-结构-性能关系的定量探索。
引用
@article{arxiv.2401.11967,
title = {Exploring descriptors for titanium microstructure via digital fingerprints from variational autoencoders},
author = {Michael D. White and Gowtham Nimmal Haribabu and Jeyapriya Thimukonda Jegadeesan and Bikramjit Basu and Philip J. Withers and Chris P. Race},
journal= {arXiv preprint arXiv:2401.11967},
year = {2024}
}