通过在空间统计空间中优化以学习微观结构的潜变量表示
机器学习
2024-08-06 v1 材料科学
摘要
在材料科学中，材料开发涉及评估和优化材料的内部结构，通常称为微观结构。微观结构具有随机性，类似于图像纹理。特定的微观结构可以通过其空间统计得到很好的表征，类似于图像纹理通过类傅里叶滤波器组的响应来表征。材料设计将受益于微观结构的低维表示 Paulson et al. (2017)。在这项工作中，我们训练了一个变分自编码器（VAE），以生成保留原始纹理空间统计的纹理重建，而不必在数据空间中重建相同的图像。我们通过在代价函数中添加一个可微项来实现这一点，以最小化原始图像和重建图像在空间统计空间中的距离。我们的实验表明，可以训练一个 VAE 来最小化合成图像的原始图像与重建图像在空间统计空间中的距离。在未来的工作中，我们将把同样的技术应用于微观结构，以获得材料微观结构的低维表示。
引用
@article{arxiv.2402.11103,
title = {Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space},
author = {Sayed Sajad Hashemi and Michael Guerzhoy and Noah H. Paulson},
journal= {arXiv preprint arXiv:2402.11103},
year = {2024}
}