用于生成合成微观结构的物理感知深度生成模型
材料科学
2018-11-27 v1 机器学习
计算物理
机器学习
摘要
计算材料科学中的一个关键问题涉及理解材料分布（即微观结构）对材料性能的影响。面临的挑战是在给定有限数量的微观结构图像和/或微观结构所展现的某些物理不变性的条件下合成微观结构。传统方法基于随机优化且计算密集。我们引入了三种用于快速合成二值微观结构图像的生成模型。第一个模型是WGAN模型，其利用有限数量的训练图像来合成弱满足原始数据所遵循的物理不变性的新微观结构。第二个模型通过用不变性检查器替换GAN中的传统判别器来显式强制已知的物理不变性。我们的第三个模型结合前两个模型以重建同时满足显式物理不变性以及从图像数据中学到的隐式约束的微观结构。我们通过重建呈现粗化行为的双相微观结构来说明这些模型。训练后的模型还展现出有趣的潜变量插值行为，结果表明在微观结构合成过程中强制用户定义的物理约束具有相当的前景。
引用
@article{arxiv.1811.09669,
title = {Physics-aware Deep Generative Models for Creating Synthetic Microstructures},
author = {Rahul Singh and Viraj Shah and Balaji Pokuri and Soumik Sarkar and Baskar Ganapathysubramanian and Chinmay Hegde},
journal= {arXiv preprint arXiv:1811.09669},
year = {2018}
}