基于稳定扩散的参数感知高保真微结构生成
材料科学
2025-11-21 v2 人工智能
摘要
合成受加工参数约束的真实微结构图像对于理解材料设计中的工艺-结构关系至关重要。然而，由于训练微图有限且加工变量连续，此任务仍具挑战性。为克服这些挑战，我们提出一种基于Stable Diffusion 3.5 Large(SD3.5-Large)的创新工艺感知生成建模方法，该模型为最新的文本到图像扩散模型，已适用于微结构生成。我们的方法引入了数值感知嵌入，将连续变量(退火温度、时间和放大倍数)直接编码到模型的条件中，从而实现在指定工艺条件下受控图像生成，并捕捉工艺驱动的微结构变化。为解决数据稀缺和计算限制，我们仅通过DreamBooth和低秩适应(LoRA)微调模型的少量权重，将预训练模型有效迁移到材料领域。我们使用基于微调U-Net带VGG16编码器的语义分割模型进行真实性验证，在24幅标注微图上实现97.1%的准确率和85.7%的平均IoU，优于先前方法。定量分析使用物理描述符和空间统计显示，合成微结构与真实微结构之间的一致性很强。具体而言，两点关联和线形路径误差分别保持在2.1%和0.6%以下。我们的方法代表了SD3.5-Large首次适用于工艺感知微结构生成，为数据驱动的材料设计提供了可扩展的方法。
引用
@article{arxiv.2507.00459,
title = {Parameter-aware high-fidelity microstructure generation using stable diffusion},
author = {Hoang Cuong Phan and Minh Tien Tran and Chihun Lee and Hoheok Kim and Sehyeok Oh and Dong-Kyu Kim and Ho Won Lee},
journal= {arXiv preprint arXiv:2507.00459},
year = {2025}
}
备注
46 pages, 27 figures, 6 tables, 3rd Word Congress on Artificial Intelligence in Materials & Manufacturing 2025