Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems
Shanghai Jiao Tong University(上海交通大学);Northwestern University(西北大学)
超材料作为一种新型的材料体系,具有前所未有的可定制特性,在工程应用中具有广泛的应用前景。然而,由于超材料及其多尺度系统的高维拓扑设计空间、多个局部最优解和高计算成本,其逆设计具有挑战性。为了解决这些障碍,我们提出了一种新的数据驱动的超材料设计框架,基于深度生成建模。一个变分自编码器(VAE)和属性预测的回归同时训练在一个大的超材料数据库映射到一个低维的,连续的,和有组织的潜在空间的复杂的微结构。我们在这项研究中表明,VAE的潜在空间提供了一个距离度量来测量形状相似性,使微结构之间的插值和编码有意义的几何形状和属性的变化模式。基于这些见解,系统的数据驱动的方法,提出了设计的微观结构,梯度族,和多尺度系统。对于微结构设计,通过在隐空间中进行简单的矢量运算,可以很容易地实现微结构的机械性能调整和复杂的操作。矢量操作进一步扩展到生成超材料家族的机械性能的控制梯度上搜索构造的图形模型。对于多尺度超材料系统设计,可以使用VAE在不同位置处针对目标属性快速生成一组不同的微结构,然后通过有效的基于图的优化方法进行组装,以确保相邻微结构之间的兼容性。我们证明了我们的框架,通过设计功能梯度和异质超材料系统,实现所需的失真行为。
2020-09-16 cs.CE cs.LG stat.ML
FluxGAN: A Physics-Aware Generative Adversarial Network Model for Generating Microstructures That Maintain Target Heat Flux
University of Colorado Boulder(科罗拉多大学博尔德分校)
本研究提出物理感知生成对抗网络FluxGAN,可同时生成微结构图像及其热通量描述,采用分部分合成法低成本生成大尺寸结构,经2D训练可生成3D结果,可用于满足目标热性能的热喷涂涂层设计优化。
2023-10-06 cond-mat.dis-nn cs.LG
GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media
Technical University of Munich, Professorship of Data-driven Materials Modeling, School of Engineering and Design(慕尼黑技术大学,数据驱动材料建模教授职位,工程与设计学院);Munich Data Science Institute (MDSI - Core member)(慕尼黑数据科学研究所(MDSI—核心成员))
GenPANIS通过统一生成框架实现多相介质正反PDE问题的高效求解,保留离散微结构并支持梯度推断,适用于复杂外推场景。
2026-02-16 cs.LG stat.ML
Deep learning for synthetic microstructure generation in a materials-by-design framework for heterogeneous energetic materials
University of Iowa(爱荷华大学)
该研究提出利用生成对抗网络生成异构含能材料微观结构,实现孔隙率可控的新形态生成,为按需设计材料性能提供方法。
2020-04-05 cond-mat.mtrl-sci cs.LG
GANs & Reels: Creating Irish Music using a Generative Adversarial Network
Memorial University of Newfoundland(纽芬兰纪念大学);University of Waterloo(滑铁卢大学)
在本文中,我们提出了一种算法的旋律生成方法,使用生成对抗网络没有经常性的组件。音乐生成已经成功地使用递归神经网络完成,其中模型学习序列信息,可以帮助创建真实的声音旋律。在这里,我们使用具有扩张卷积和塔的DC-GAN架构来捕获序列信息作为空间图像信息,并学习固定长度旋律形式(如爱尔兰传统卷轴)的长程依赖关系。
2020-10-29 cs.LG cs.SD eess.AS
Generative Adversarial Network Applications in Creating a Meta-Universe
The University of Georgia(佐治亚大学)
生成对抗网络(GANs)是机器学习方法,用于许多重要和新颖的应用。例如,在成像科学中,GANs被有效地用于生成图像数据集、人脸照片、图像和视频描述、图像到图像转换、文本到图像转换、视频预测和3D对象生成等。在本文中,我们讨论了如何使用GANs来创建人工世界。更具体地说,我们讨论了GANs如何帮助利用图像/视频描述方法来描述图像,以及如何在我们想要的主题中使用图像到图像转换框架将图像转换为新图像。我们阐述了GANs如何影响创建一个定制的世界。
2022-01-23 cs.CV cs.LG eess.IV
$C_4$-Equivariant Flow Matching on Anisotropic Power-Diagram Graphs for Microstructure Generation
School of Mathematical Sciences(数学科学学院);Lancaster University(兰卡斯特大学)
该研究提出结合流匹配与图神经网络的生成模型,以各向异性幂图表示微观结构,采用$C_4$等变架构,可生成多种真实多晶微观结构样本。
2026-10-09 cs.LG
CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Google Research(谷歌研究院);University of KwaZulu-Natal(夸祖鲁-纳塔尔大学)
从实验数据中推断模型参数是包括宇宙学在内的许多科学的巨大挑战。这通常严重依赖于高保真度的数值模拟,这是非常昂贵的计算。深度学习技术在生成式建模中的应用正在重新引起人们对使用高维密度估计器作为完全成熟的模拟的计算成本低廉的仿真器的兴趣。这些生成模型有可能在科学模拟领域产生巨大的转变,但要实现这种转变,我们需要研究这种生成器在科学应用所需的精确度方面的性能。为此,在这项工作中,我们将生成对抗网络应用于生成弱透镜收敛映射的问题。我们表明,我们的生成器网络产生的地图,所描述的,具有较高的统计置信度,相同的汇总统计的完全模拟的地图。
2019-05-22 astro-ph.IM cs.LG
Creating Temporally Correlated High-Resolution Profiles of Load Injection Using Constrained Generative Adversarial Networks
Eversource Energy(Eversource能源公司);Arizona State University(亚利桑那州立大学)
本文提出一种仅用智能电表慢时间尺度聚合数据训练的带硬约束GAN,通过凸优化强制时间一致性,从15分钟平均功率生成逐分钟负荷曲线,提升配电系统高速状态估计能力。
2024-09-01 cs.LG eess.SP
Encoding Invariances in Deep Generative Models
Iowa State University(爱荷华州立大学)
生成对抗网络(GANs)的可靠训练通常需要大量数据集,以便对复杂的分布进行建模。然而,在一些应用中,训练样本服从\textit{a priori}已知的不变性;例如,在复杂的物理模拟中,训练数据服从编码为明确定义的数学方程的普遍规律。在本文中,我们提出了一种新的生成式建模方法,InvNet,可以有效地建模数据空间与已知的不变性。我们设计了一个对抗训练算法来将它们编码到数据分布中。我们验证了我们的框架在三个实验设置:生成图像与固定图案;求解非线性偏微分方程(PDE);和重建两相微结构所需的统计特性。我们补充我们的实验与几个理论结果。
2019-06-04 cs.LG eess.IV stat.ML
DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets
TU Dresden(德累斯顿工业大学);GE Global Research(通用电气全球研究中心)
微结构重构是一个重要的新兴研究领域,是提高反计算材料工程(ICME)的重要基础。该领域最近的大部分进展都是基于生成对抗网络(GANs)。尽管在各种材料中取得了优异的结果,但关于模型潜在空间的可解释性以及对极小数据集的适用性仍然存在挑战。目前的工作解决这些问题,通过引入DA-VEGAN,一个模型,有两个中心的创新。首先,$β$ -变分自编码器被合并到混合GAN架构中,该架构允许通过附加参数$β$来惩罚潜在空间中的强非线性。其次,一个自定义的微分数据增强计划是专门为这个架构。可微性允许模型从极小的数据集学习,而不会发生模式坍塌或样本质量恶化。对各种结构的广泛验证表明了该方法的潜力,并讨论了未来的研究方向。
2023-02-17 cs.LG
Creating Synthetic Datasets for Collaborative Filtering Recommender Systems using Generative Adversarial Networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad de Jaén(哈恩大学);Universidad de Ciego de Ávila(谢戈德阿维拉大学)
机器学习的研究和教育需要多样化、代表性和开放的数据集,这些数据集包含足够的样本来处理必要的训练、验证和测试任务。目前,推荐系统领域包括大量的子领域,在这些子领域中,准确性和超越准确性的质量度量不断得到改进。为了满足这种研究的多样性,用合成数据集来加强现有的数据集是必要的,也是方便的。本文提出了一种基于生成对抗网络(GAN)的方法,通过选择用户、项目、样本和随机变量的首选数量,以参数化的方式生成协同过滤数据集。无法使用常规GANs进行此参数化。我们的GAN模型是由密集的,短的,和连续的项目和用户的嵌入表示,而不是稀疏的,大的,和离散的向量,使一个准确和快速的学习,相比传统的方法,基于大的和稀疏的输入向量。所提出的架构包括一个DeepMF模型来提取密集的用户和项目嵌入,以及一个聚类过程来从密集的GAN生成的样本转换为离散和稀疏的样本,这是创建每个所需的合成数据集所必需的。三个不同的源数据集的结果显示了足够的分布和预期的质量值和生成的数据集相比,源的演变。合成数据集和源代码可供研究人员使用。
2023-03-02 cs.IR cs.LG
Mastering processing-microstructure complexity through the prediction of thin film structure zone diagrams by generative machine learning models
薄膜在现代技术中无处不在,并且在材料发现和设计中非常有用。为了实现最佳的外在性能,它们的微观结构需要在多参数空间中进行控制,这通常需要太多的实验来映射。我们建议通过将组合实验与生成式深度学习模型相结合来提取合成-成分-微结构关系,从而掌握薄膜加工微结构的复杂性,并降低微结构设计的成本。一种包括变分自动编码器和条件生成对抗网络的生成机器学习方法预测结构区域图。我们证明,生成模型提供了一个迄今为止看不见的质量水平的生成的结构区域图,包括化学和加工复杂性的化学成分和加工参数的优化,以实现所需的微观结构。
2019-10-21 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Deep Kernel Bayesian Optimisation for Closed-Loop Electrode Microstructure Design with User-Defined Properties based on GANs
Imperial College London(帝国理工学院伦敦校区)
针对电化学储能器件电极微结构设计需求,提出基于生成对抗网络的深度核贝叶斯优化闭环算法,通过生成器潜空间关联微结构形态与传输特性,实现用户自定义属性(如比表面积、相对扩散率)的优化设计,可快速生成符合要求的真实微结构。
2025-06-07 cond-mat.mtrl-sci cs.CE cs.LG
Training Generative Adversarial Networks with Weights
FORTH(希腊基础研究与技术基金会)
生成对抗网络(GANs)令人印象深刻的成功往往被其训练中的困难所掩盖。尽管不断的努力和改进,仍然有开放的问题,其收敛性能。在本文中,我们提出了一个简单的训练变量,其中定义了合适的权重,并帮助训练生成器。我们提供了理论论据,说明为什么该算法在加快训练过程和创建更强大的生成器方面优于基线训练。性能测试结果表明,新算法在合成数据集和图像数据集上都更准确,提高了5%到50%。
2018-11-06 cs.LG stat.ML
Creating Power Distribution Network Layouts Using Generative Adversarial Networks and Image-Based Representations
School of Engineering (ICAI), Comillas Pontifical University(工程学院(ICAI),卡利斯大学);Institute for Research in Technology (IIT), School of Engineering (ICAI), Comillas Pontifical University(技术研究所(IIT),工程学院(ICAI),卡利斯大学)
研究提出基于生成对抗网络的框架,用基于图像的表示创建配电网布局,通过GIS数据集准备、GAN架构设计等进行训练,能再现馈线拓扑并与地理结构对齐,构成现有方法的数据驱动补充,为新区域电气化布局提供思路。
2026-07-09 cs.LG cs.SY eess.SY
Generating and designing DNA with deep generative models
University of Toronto(多伦多大学)
我们提出了生成神经网络方法来生成DNA序列,并调整它们具有所需的属性。我们提出三种方法:使用生成对抗网络创建合成DNA序列;基于DNA的激活最大化(“深梦”)设计方法的变体;以及将这两种方法结合在一起的联合程序。我们发现,这些工具捕捉到的数据的重要结构,当应用于设计探针的蛋白质结合微阵列,使我们能够产生新的序列,其属性估计是优于那些发现在训练数据。我们相信,这些结果为应用深度生成模型推进基因组学研究打开了大门。
2017-12-17 cs.LG q-bio.GN stat.ML
A Data-Driven Framework for Designing Microstructure of Multifunctional Composites with Deep-Learned Diffusion-Based Generative Models
本文提出融合扩散生成模型、transformer条件引导与CNN代理模型的数据驱动框架,用于多功能复合材料微观结构重建、性能预测和逆向设计,并通过机械发光颗粒复合材料验证其有效性。
2023-07-15 cond-mat.mtrl-sci physics.comp-ph
A Cost-Efficient Approach for Creating Virtual Fitting Room using Generative Adversarial Networks (GANs)
University of Ottawa(渥太华大学);Nile University(尼罗大学)
针对线上购衣无法试穿、线下试衣效率低的问题,提出结合GANs与图像处理技术的虚拟试衣间方案,支持多端应用,效果优于现有前沿方法,兼具用户体验与商业价值。
2024-02-01 cs.CV cs.LG
Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials
U.S. DOE National Energy Technology Laboratory(美国能源部国家能源技术实验室);Carnegie Mellon University(卡内基梅隆大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Leidos Research Support Team(莱多斯研究支持团队)
使用大规模的,实验捕获的3D微结构数据集,我们实现了生成对抗网络(GAN)框架来学习和生成固体氧化物燃料电池电极的3D微结构。所生成的微观结构是视觉上,统计学上,和拓扑现实的微观结构参数的分布,包括体积分数,颗粒大小,表面积,曲折度,和三相边界密度,是高度相似的原始微观结构。这些结果进行了比较和对比,从一个既定的,基于颗粒的生成算法(DREAM.3D)。重要的是,使用局部解析有限元模型对电化学性能进行的模拟表明,GAN生成的微结构与原始微结构的性能分布非常匹配,而DREAM.3D导致了显着差异。生成式机器学习模型以高保真度重新创建微结构的能力表明,复杂微结构的本质可以以紧凑且可操纵的形式被捕获和表示。
2020-06-22 cond-mat.mtrl-sci cs.CV eess.IV
Anomaly Generation using Generative Adversarial Networks in Host Based Intrusion Detection
University of Central Florida(中佛罗里达大学)
生成对抗网络已经能够在各个领域产生惊人的结果。这种生成能力可以是通用的,而网络可以深入了解数据分布。在许多领域中,这种数据分布由异常和正常数据组成,异常通常发生相对较少,从而创建不平衡的数据集。可以利用生成对抗网络提供的功能来检查这些异常,并通过创建合成异常来帮助缓解不平衡数据集带来的挑战。这种异常生成在具有昂贵的数据创建过程以及固有的不平衡数据集的领域中特别有益。符合此描述的域之一是基于主机的入侵检测域。在这项工作中,ADFA-LD数据集被选为包含小足迹下一代攻击的系统调用的感兴趣的数据集。首先将数据转换为图像,然后使用Cycle-GAN从正常数据的图像中创建异常数据的图像。生成的数据与原始数据集相结合,并用于训练模型以检测异常。通过这样做,表明分类结果得到改善,AUC从0.55上升到0.71,异常检测率从17.07%上升到80.49%。结果还比较SMOTE,显示了潜在的生成对抗网络异常生成。
2018-12-11 cs.CR cs.CV cs.LG
Creating Continuously Graded Microstructures with Electric Fields via Locally Altering Grain Boundary Complexions
本文以ZnO为模型体系,提出利用外加电场驱动缺陷极化以局部改变晶界复合相,从而创建连续梯度微观结构,并通过AC STEM、DFT、AIMD和光致发光光谱揭示阳极附近阳离子缺失晶界促进晶粒定向生长的机制。
2023-09-17 cond-mat.mtrl-sci
Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design
Northeastern University(东北大学);The University of Hong Kong(香港大学)
本文提出一种以微观结构为中心的多相合金设计算法,利用变分自编码器将真实微观结构映射到潜空间并结合特定采样策略,实现成分、工艺和性能的精确预测与合金设计。
2024-09-04 cond-mat.mtrl-sci cs.CV
Microstructure reconstruction using diffusion-based generative models
微观结构重构是计算材料工程的重要组成部分,它揭示了材料微观结构与材料性能之间的关系。然而,找到一个通用的解决方案的微观结构表征和重建(MCR)的任务仍然是具有挑战性的,虽然已经有许多尝试,如基于磁阻电机的MCR方法。为了解决这一普遍性问题,在这项研究中,首先采用去噪扩散模型的微观结构重建任务。基于扩散的模型的适用性用几种类型的微结构(例如,多晶合金、碳酸盐、陶瓷、共聚物、纤维复合材料等)它们有不同的形态特征。所生成的图像的质量进行评估与定量评价指标(FID分数,精度和召回)和传统的统计微观结构描述符。此外,隐式概率模型(产生非马尔可夫扩散过程)的制定,采用加速采样过程,从而控制计算成本考虑的实用性和可靠性。结果表明,去噪扩散模型适用于具有不同空间分布和形态特征的各种微结构的重建。基于扩散的方法提供了一个稳定的训练过程,具有简单的实现,用于生成视觉上相似和统计上等效的微结构。在这些方面,扩散模型具有很大的潜力,被用来作为一个通用的微观结构重建方法处理复杂的微观结构的材料科学。
2023-01-22 cond-mat.mtrl-sci physics.app-ph
Trans-Dimensional Generative Modeling via Jump Diffusion Models
University of Oxford(牛津大学);University of British Columbia(不列颠哥伦比亚大学);CNRS ENS Ulm(法国国家科学研究中心巴黎高等师范学院)
本文提出基于跳跃扩散过程的生成模型,通过联合建模状态与维度来处理维度可变数据,并在分子和视频数据集上验证了其在插补和插值任务中的优势。
2023-10-30 cs.CV cs.LG stat.ML
Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials
School of Mathematical Sciences, University of Science and Technology of China(中国科学技术大学数学科学学院);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Hefei University of Technology(合肥工业大学)
本文提出基于自条件扩散模型的快速逆向设计方法,可在3秒内生成分辨率为128^3的体素化机械超材料微结构,以逼近目标均匀化张量,并支持极端超材料探索、序列插值和多尺度设计。
2024-06-10 cs.CE cs.LG
A Generative Adversarial Network for AI-Aided Chair Design
National Engineering Lab for Video Technology(视频技术国家工程实验室);Peking University(北京大学);The Future Lab, Tsinghua University(清华大学未来实验室)
我们提出了一种方法来改善椅子的人性化设计。该方法的目标是产生大量的椅子候选人,以方便人类设计师通过创建草图和三维模型,相应的基础上产生的椅子设计。它包括一个图像合成模块,学习训练数据集的底层分布,一个超分辨率模块,提高生成图像的质量和人类参与。最后,我们手动选择生成的候选人之一,以创建一个现实生活中的椅子进行说明。
2020-01-31 cs.CV cs.LG eess.IV
Microstructural Studies Using Generative Adversarial Network (GAN): a Case Study
本文提出用相场模拟数据训练GAN,以极低计算成本快速生成大量真实微观结构图像,并通过有限元力学性能计算验证了其与真实相场微观结构的高度一致性。
2025-06-06 cond-mat.mtrl-sci
GAN Computers Generate Arts? A Survey on Visual Arts, Music, and Literary Text Generation using Generative Adversarial Network
American University of Sharjah(沙迦美国大学)
“艺术是谎言,它使我们能够认识真理。- 巴勃罗·毕加索几个世纪以来,人类一直致力于创造艺术来表达他们的想象力。技术的进步,特别是深度学习,引起了许多研究人员的注意,他们试图研究计算机和算法是否可以产生艺术。使用生成对抗网络(GANs),实现了合成逼真的人脸和从图像自动创建字幕等应用。本调查全面介绍了最近使用GANs生成视觉艺术,音乐和文学文本的作品。各种GAN架构的性能比较和描述。最后,强调了使用GANs生成艺术的一些关键挑战,并对未来的工作提出了建议。
2021-08-14 cs.AI cs.CL cs.CV
GANravel: User-Driven Direction Disentanglement in Generative Adversarial Networks
UCLA(加州大学洛杉矶分校)
生成对抗网络(GANs)有许多应用领域,包括图像编辑,域翻译,缺失数据填补和支持创造性工作。然而,GANs被认为是"黑匣子"。具体来说,最终用户几乎无法控制如何通过解纠缠来改进编辑方向。先前的工作集中在新的GAN架构上,以理清编辑方向。或者,我们提出GANravel用户驱动的方向解开工具,补充现有的GAN架构,并允许用户迭代地改进编辑方向。在两项各有16名参与者的用户研究中,GANravel用户能够解开方向,并且在解开性能方面优于最先进的方向发现基线。在第二项用户研究中,GANravel被用于创建狗模因的创造性任务,并能够创建高质量的编辑图像和GIF。
2023-01-31 cs.HC cs.LG
PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks
Simon Fraser University(西蒙弗雷泽大学)
非侵入式负载监控(NILM)允许用户和能源供应商仅使用建筑物的智能电表来深入了解家用电器的用电情况。NILM的大多数当前技术都是使用大量标记的电器功率数据进行训练的。这些数据的收集是具有挑战性的,使得数据成为创建通用化NILM解决方案的主要瓶颈。为了帮助减轻数据限制,我们提出了第一个真正的合成家电功率签名生成器。我们的解决方案PowerGAN是基于有条件的、逐步增长的1-D Wasserstein生成对抗网络(GAN)。使用PowerGAN,我们能够合成真正随机和真实的电器功率数据签名。我们使用传统的GAN评估方法(如Inception评分),以定性和数值的方式评估PowerGAN生成的样本。
2020-07-20 cs.LG eess.SP
Creating Disasters: Recession Forecasting with GAN-Generated Synthetic Time Series Data
University of Iowa(爱荷华大学)
在预测经济衰退等罕见事件时,一个常见的问题是可用数据有限。深度学习和生成对抗网络(GANs)的最新进展使得大量产生高保真合成数据成为可能。本文使用一个名为DoppelGANger的模型,一个专门用于生成合成时间序列数据的GAN,来生成合成国债收益率时间序列和相关的衰退指标。然后,它表明,短期国债收益率的预测性能得到改善的模型训练的合成数据相对于模型只训练的真实数据。最后,产生合成衰退条件并用于训练分类模型以预测未来衰退的概率。研究表明,在合成衰退上训练模型可以提高模型预测未来衰退的能力,而不是只在真实数据上训练的模型。
2023-02-21 cs.LG econ.GN q-fin.EC
Generative Adversarial Networks for Malware Detection: a Survey
Massey University(梅西大学);Central Queensland University(中央昆士兰大学);Ajou University(亚洲大学)
自从Ian Goodfellow在2014年的论文中提出他们的建议以来,生成对抗网络领域的研究出现了爆炸式增长。虽然它们已被用于许多领域,但恶意软件研究领域是GANs扎根的问题空间。从平衡数据集到在稀有类中创建看不见的示例,GAN模型提供了广泛的应用机会。本文综述了在恶意软件问题空间中使用生成对抗网络的当前研究和文献。这样做的目的是希望读者能够全面了解生成对抗模型为该领域提供了什么,以及它在恶意软件研究中的哪些领域得到了最好的利用。它涵盖了当前的相关调查,GAN的不同类别,并给出了最近针对不同主题优化GANs的研究结果,以及未来的探索方向。
2023-02-24 cs.CR cs.LG
Generative reconstruction of 3D volume elements for Ti-6Al-4V basketweave microstructure by optimization of CNN-based microstructural descriptors
本文提出一种基于CNN描述符优化的生成式重建方法,用于增材制造Ti-6Al-4V篮编织组织三维体积单元,捕获关键形态特征并与实验数据定性吻合。
2024-03-14 cond-mat.mtrl-sci
Generative reconstruction of 2D and 3D polycrystalline microstructures using symmetrized hyperspherical harmonics
Helmholtz-Zentrum Hereon(亥姆霍兹海雷恩中心);TU Dresden(德累斯顿工业大学);Ruhr University Bochum(波鸿鲁尔大学);Leuphana University Lüneburg(勒普纳吕讷堡大学)
本文提出一种基于方向的可微微结构表征与重建框架,利用四元数和对称超球谐函数生成多晶微结构,通过空间相关性和变分正则化器实现高保真重建,有效克服传统方法的数值奇异性和不连续性。
2026-05-14 cond-mat.mtrl-sci
Learning a Generative Meta-Model of LLM Activations
本研究通过训练扩散模型学习大语言模型激活的分布,提出生成元模型以提升干预保真度和可解释性。
2026-02-06 cs.AI cs.CL cs.LG
Neural Contrast: Leveraging Generative Editing for Graphic Design Recommendations
Adobe Research(奥多比研究院);University of Bucharest(布加勒斯特大学)
针对现有平面设计对比优化方法易破坏内容、在图案背景上效果不佳的问题,提出基于扩散模型的生成式方法,通过修改设计素材下方区域实现低显著性与高对比度,提升素材可见性。
2024-09-26 cs.CV cs.GR cs.HC
A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables
Faculty of Georesources and Materials Engineering, RWTH Aachen University(亚琛工业大学地质资源与材料工程学院)
针对材料科学中逆建模找目标性能对应微观结构的不适定问题,提出基于浮点数二进制表示的新型连续变量嵌入策略,用于生成模型,无需归一化即可精细调控生成的微观结构,加速材料设计。
2024-05-21 cond-mat.mtrl-sci cs.LG
Discovering mechanisms for materials microstructure optimization via reinforcement learning of a generative model
设计材料结构以优化材料的功能性能,并发现新的潜在行为是材料科学的一个重要问题。在许多情况下,支持材料功能的微观结构模型是可用的,并且很好地理解。然而,通过微结构工程优化平均性能往往会导致组合棘手的问题。在这里,我们探索了强化学习(RL)用于微结构优化的用途,旨在发现增强功能背后的物理机制。我们说明,RL可以提供洞察的机制驱动感兴趣的属性在2D离散朗道铁电体模拟器。有趣的是,我们发现,如果奖励被分配给有利于物理上不可能的任务,我们通过奖励RL代理旋转极化向量到能量上不利的位置来说明,非平凡的现象就会出现。我们进一步发现,策略诱导极化卷曲可以是非直观的,基于学习代理政策的分析。这项研究表明,RL是一种很有前途的机器学习方法,用于材料设计优化任务,并更好地理解微观结构模拟的动力学。
2022-02-22 cond-mat.mes-hall cond-mat.mtrl-sci
PSP-GEN: Stochastic inversion of the Process-Structure-Property chain in materials design through deep, generative probabilistic modeling
本文提出PSP-GEN框架,通过深度生成模型和双组隐变量对整个工艺-结构-性能链进行随机反演,以低维嵌入简化高维数据并支持梯度优化,在两相材料逆向设计中验证了其在有限数据和目标性能区域无训练数据等挑战性场景下的有效性与效率。
2024-08-02 cond-mat.mtrl-sci math-ph math.MP
Improving Direct Physical Properties Prediction of Heterogeneous Materials from Imaging Data via Convolutional Neural Network and a Morphology-Aware Generative Model
通过统计模型从微观结构直接预测材料性能已被证明是加速具有大设计空间的计算材料设计的潜在方法。然而,统计建模的高度非线性映射定义在高维微结构空间是已知的数据要求。因此,这种预测模型的附加值在材料样本(以2D或3D微结构的形式)变得实验地或计算地获取昂贵的常见情况下减小。为此,我们提出了一种生成式机器学习模型,当只在有限数量的真实样本上训练时,该模型可以创建任意数量的人工材料样本,计算成本可以忽略不计。这项工作的主要贡献是引入了形态学约束的生成模型的训练,强制所得的人工材料样本具有相同的形态分布作为真实的。我们的经验表明,该模型创建的人工样本,更好地匹配真实的材料性能分布比那些从国家的最先进的马尔可夫随机场模型,从而更有效地提高预测性能的预测结构-性能模型。
2017-12-07 cond-mat.mtrl-sci physics.comp-ph
Generative deep learning for the inverse design of materials
本文综述了利用生成式深度学习进行材料逆向设计的方法,重点讨论晶体结构与微观结构的潜在空间构建、生成学习策略及性质约束,并指出当前在计算资源、数据兼容性和生成产率方面的挑战。
2024-09-27 cond-mat.mtrl-sci physics.comp-ph
Data-Driven Learning of 3-Point Correlation Functions as Microstructure Representations
Arizona State University(亚利桑那州立大学)
本文考虑了为无序非均质材料系统识别完整、简洁且可解释的定量微观结构表示的开放性挑战。通过现有的数据驱动方法已经实现了完整性和简洁性,例如,然而,深度生成模型不提供数学上可解释的潜在表示。本研究探讨由三点关联函数组成的表征,这是一种特殊类型的空间卷积。我们表明,各种微观结构的特征可以由一个简洁的子集的三点相关性,和这样的子集的识别可以实现贝叶斯优化。最后,我们表明,所提出的表示可以直接用于计算材料的有效介质理论的基础上的属性。
2021-09-06 cond-mat.mtrl-sci cs.LG
A Unified Generative-Predictive Framework for Deterministic Inverse Design
本文提出Janus框架,结合编码器-解码器与预测性KHRONOS 头,解决异质材料微结构反向设计问题,实现高效物理引导的生成与预测。
2025-12-10 cond-mat.mtrl-sci cs.LG
Universal Design Methodology for Printable Microstructural Materials via a New Deep Generative Learning Model: Application to a Piezocomposite
提出结合FFT数值求解、HetMiGen微结构生成与物理感知VAE-ViT生成模型的通用微结构设计方法,实现压电复合材料性能到三维微结构的逆向在线设计。
2024-02-16 cond-mat.mtrl-sci
Phase-fraction guided denoising diffusion model for augmenting multiphase steel microstructure segmentation via micrograph image-mask pair synthesis
Korea Institute of Materials Science(韩国材料科学研究院);University of Science and Technology(科学技术大学)
针对金相显微组织分割中标注数据稀缺的问题,提出相位分数引导的一阶段扩散模型PF-DiffSeg,联合合成图像与掩膜,在MetalDAM基准上显著提升分割精度,尤其对少数类别,并优于GAN等基线。
2025-07-28 cond-mat.mtrl-sci cs.CV eess.IV
3D Multiphase Heterogeneous Microstructure Generation Using Conditional Latent Diffusion Models
Iowa State University(爱荷华州立大学)
本文提出一种条件潜在扩散模型,用于高效生成高保真的3D多相微结构,满足用户需求并预测制造参数,加速先进材料设计。
2025-03-12 cond-mat.mtrl-sci physics.comp-ph
Stable diffusion for the inverse design of microstructures
本文提出基于Stable Diffusion的微结构生成模型,在含相和晶粒取向信息的576,000个二维合成微结构数据集上训练,实现重建、插值、修复与生成,并结合ControlNet实现基于性能的微结构逆向设计,在精度、效率和通用性上优于传统方法。
2024-09-27 cond-mat.mtrl-sci physics.data-an
Microstructural Materials Design via Deep Adversarial Learning Methodology
识别关键的微观结构表示是计算材料设计(CMD)的关键。然而,现有的微结构表征与重构(MCR)技术在材料设计中的应用存在局限性。基于模型的MCR方法没有可以作为设计变量的参数,而依赖于降维的MCR技术往往会丢失重要的微观结构信息。在这项工作中,我们提出了一种克服现有MCR技术局限性的深度对抗学习方法。在所提出的方法中,生成对抗网络(GAN)被训练来学习潜在变量和微观结构之间的映射。之后,低维潜变量作为设计变量,贝叶斯优化框架被应用于获得所需的材料性能的微结构。由于网络结构的特殊设计,所提出的方法能够识别具有所需维数的潜在(设计)变量,以及即使对于复杂的材料微结构也能最大限度地减少信息损失。所提出的方法的有效性进行了测试数值合成的微结构数据集和材料设计的有效性进行评估,通过优化能量吸收的光学性能的案例研究。此外,所提出的方法的可扩展性和可移植性也证明了这项工作。具体而言,所提出的方法可扩展以生成任意尺寸的微结构,并且它可以作为预训练模型,通过迁移学习来提高结构-性能预测模型的性能。
2019-01-04 cond-mat.mtrl-sci physics.comp-ph
Conditional diffusion-based microstructure reconstruction
微结构重构是反计算材料工程的重要组成部分,目前正以前所未有的速度发展。虽然开发了各种基于训练和免训练的方法,但大多数贡献都基于生成对抗网络。相比之下,扩散模型构成了一个更稳定的替代方案,这是最近成为新的艺术状态,目前吸引了很多关注。目前的工作调查的扩散模型的适用性重建的真实世界的微观结构数据。为此目的,一个高度多样化和形态复杂的数据集是通过结合和处理来自文献的数据库创建的,其中对于给定的材料类的现实显微照片的重建展示了模型捕捉这些特征的能力。此外,纤维复合材料数据集用于验证扩散模型的适用性,可以实际上由一个实验室创建的小数据集的大小。重建的微观结构的质量和多样性是量化的,通过基于几何的误差度量以及Fréchet起始距离(FID)得分。虽然不存在于训练数据集中,但所生成的样本对于未经训练的眼睛来说在视觉上与真实数据无法区分,并且计算各种误差度量。这证明了扩散模型在微观结构重建中的实用性,并为进一步扩展提供了基础,例如2D到3D重建或应用于多尺度建模和结构-性质联系。
2022-11-24 cond-mat.mtrl-sci
Denoising diffusion-based synthetic generation of three-dimensional (3D) anisotropic microstructures from two-dimensional (2D) micrographs
Seoul National University(首尔大学)
针对3D各向异性微结构数据集稀缺的问题,提出基于多正交平面2D条件扩散生成模型空间连接的2D转3D重建框架,结合改进协调采样提升质量,可复现材料相分布与3D性能,助力高通量材料设计。
2023-12-13 cond-mat.mtrl-sci cs.AI
Alloying Effects on the Microstructure and Properties of Laser Additively Manufactured Tungsten Materials
本文研究 ZrC 与 NiFe 合金化对激光增材制造钨缺陷、微观结构及性能的影响,揭示二者分别提升硬度稳定性与韧性,并验证 WNiFe+ZrC 复合体系的有效性。
2023-11-03 cond-mat.mtrl-sci
Automated Segmentation of Large Image Datasets using Artificial Intelligence for Microstructure Characterisation, Damage Analysis and High-Throughput Modelling Input
针对阈值法难以分割复杂显微组织的问题,提出基于 nnU-Net 与 GAN 的两种 AI 分割方法,并在双相钢 SEM 图像中验证其泛化性及面向表征、损伤分析和有限元建模的价值。
2024-03-01 cond-mat.mtrl-sci
Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale
Purdue University(普渡大学)
本文提出一种基于扩散的生成机器学习模型,用于预测氮化铝中原子尺度的裂纹扩展,通过仅使用初始微观结构嵌入进行条件预测,实现了快速且准确的动态断裂过程模拟,包括应力驱动的裂纹萌生、裂纹分叉和原子尺度的桥接连接。
2026-03-13 cond-mat.mtrl-sci cs.LG