利用基础视觉转换器从微观结构表示出发的材料结构-性能关系机器学习
计算机视觉与模式识别
2025-06-27 v2 材料科学
机器学习
计算物理
摘要
从数据中进行微观结构-性能关系的机器学习是计算材料科学中的一种新兴方法。目前大多数机器学习工作集中于为每种微观结构-性能关系开发特定的模型。我们提出利用预训练的基础视觉转换器来提取任务无关的微观结构特征，并随后进行轻量级的微观结构相关属性的机器学习。我们以预训练的领先视觉转换器（CLIP、DINOv2、SAM）在两个案例研究中演示了我们的方案：（i）基于仿真数据的两相微观结构弹性模量；（ii）基于文献中实验数据的Ni基和Co基超合金的维氏硬度。我们的结果表明，基础视觉转换器在稳健的微观结构表示和高效的微观结构-性能关系机器学习方面具有潜力，无需昂贵的特定任务训练或微调定制的深度学习模型。
引用
@article{arxiv.2501.18637,
title = {Machine learning of microstructure--property relationships in materials leveraging microstructure representation from foundational vision transformers},
author = {Sheila E. Whitman and Marat I. Latypov},
journal= {arXiv preprint arXiv:2501.18637},
year = {2025}
}