通过卷积神经网络与形态感知生成模型从成像数据改进非均质材料的直接物理性能预测
计算物理
2017-12-12 v1 材料科学
摘要
通过统计模型从微观结构直接预测材料性能已被证明是一种加速具有大设计空间的计算材料设计的潜在方法。然而，定义在高维微观结构空间上的高度非线性映射的统计建模已知是数据需求密集的。因此，在材料样品（以 2D 或 3D 微观结构形式）通过实验或计算获取成本高昂的常见情况下，此类预测模型的附加价值会减弱。为此，我们提出了一种生成式机器学习模型，当仅在有限数量的真实样品上训练时，能以可忽略的计算成本创建任意数量的 artificial 材料样品。本工作的关键贡献是在生成模型训练中引入形态约束，强制所得 artificial 材料样品具有与真实样品相同的形态分布。我们通过实验表明，所提模型创建的 artificial 样品在材料性能分布上比最先进的马尔可夫随机场模型生成的样品更匹配真实样品，因而在提升预测式结构-性能模型的预测性能方面更有效。
引用
@article{arxiv.1712.03811,
title = {Improving Direct Physical Properties Prediction of Heterogeneous Materials from Imaging Data via Convolutional Neural Network and a Morphology-Aware Generative Model},
author = {Ruijin Cang and Hechao Li and Hope Yao and Yang Jiao and Yi Ren},
journal= {arXiv preprint arXiv:1712.03811},
year = {2017}
}
备注
submitted to Computational Material Science