基于深度对抗学习方法的微结构材料设计
材料科学
2019-01-07 v2 计算物理
摘要
识别关键的微结构表征对于计算材料设计（CMD）至关重要。然而，现有的微结构表征与重构（MCR）技术在应用于材料设计时有局限。基于模型的 MCR 方法没有可作为设计变量的参数，而依赖降维的 MCR 技术往往丢失重要的微结构信息。在本工作中，我们提出一种深度对抗学习方法，克服了现有 MCR 技术的局限。在该方法中，训练生成对抗网络（GAN）以学习潜变量与微结构之间的映射。此后，低维潜变量作为设计变量，并应用贝叶斯优化框架以获得具有期望材料属性的微结构。由于网络架构的特殊设计，所提方法能够识别具有期望维度的潜（设计）变量，并即使对于复杂材料微结构也能最小化信息损失。所提方法的有效性在合成微结构数据集上进行了数值测试，并通过优化能量吸收光学性能的案例研究评估了其在材料设计中的有效性。此外，本工作还展示了所提方法的可扩展性与可迁移性。具体而言，所提方法可扩展以生成任意尺寸的微结构，并且可作为预训练模型通过迁移学习提升结构-属性预测模型的性能。
引用
@article{arxiv.1805.02791,
title = {Microstructural Materials Design via Deep Adversarial Learning Methodology},
author = {Zijiang Yang and Xiaolin Li and L. Catherine Brinson and Alok N. Choudhary and Wei Chen and Ankit Agrawal},
journal= {arXiv preprint arXiv:1805.02791},
year = {2019}
}