Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders
Institute for Materials Science and Center for Nanointegration Duisburg-Essen (CENIDE), University of Duisburg-Essen（杜伊斯堡-埃森大学材料科学研究所与杜伊斯堡-埃森纳米集成中心）；Department of Materials Science and Engineering, University of Tennessee（田纳西大学材料科学与工程系）；Department of Material Science and Engineering, Tokyo Institute of Technology（东京工业大学材料科学与工程系）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对变分自编码器构建微观结构低维表示时依赖人工试错设计的问题，提出基于奖励的隐空间评估策略，验证了用GMM和BGMM近似隐空间可构建有效奖励函数指导最优简约表示搜索。
2025-09-30 cond-mat.mtrl-sci cs.LG
ELAS3D-Xtal: An OpenMP-accelerated crystal elasticity solver with automated experiment-driven microstructure generation
University of Michigan（密歇根大学）
ELAS3D-Xtal是一种基于OpenMP加速的晶体弹性求解器，结合自动实验驱动微结构生成，用于高效计算多晶体弹性场及缺陷力学分析。
2026-02-07 cond-mat.mtrl-sci
Establishing process-structure linkages using Generative Adversarial Networks
National Institute of Technology Calicut（卡利卡特国家理工学院）
材料的显微组织对其力学性能有很大的影响，而显微组织本身又受加工条件的影响。因此，建立过程-结构-性能关系是材料设计中的一项重要任务，并且在许多工程应用中具有重要意义。我们开发了一个GAN（生成对抗网络），根据给定的加工条件合成微结构。这种方法没有特征工程，需要很少的领域意识，并可以应用于各种各样的材料系统。结果表明，我们的GAN模型可以产生高保真的多相组织，具有良好的相关性与给定的工艺条件。
2021-07-20 cond-mat.mtrl-sci cs.LG
The surface-tension-driven Benard conventions and unique sub-grain cellular microstructures in 316L steel selective laser melting
在某些特殊合金（316 L、Al-Si、Co-Cr-Mo）的选择性激光熔化（SLM）过程中发现了独特的亚晶结构，亚微米尺度的胞状、拉长胞状甚至能带结构总是共存于单个宏观凝固晶粒内部。此外，蜂窝结构是对称的，具有六边形、五边形和正方形蜂窝图案，其中蜂窝尺寸仅在1μm左右。单层和散装316 L SLM实验，揭示了这些亚晶胞状组织的形成机制。在复杂的温度梯度和表面张力梯度的作用下，固/液界面（所谓的糊状区）前的局部对流和Bénard不稳定性形成了复杂的亚微米蜂窝状图案。换句话说，在S/L界面处发生的这种非线性自组织现象（Bénard不稳定性）叠加在宏观晶粒凝固过程上，以形成亚晶粒图案/结构和元素微观偏析。这种简单而统一的解释可以扩展到由SLM形成的其他共晶合金，如Al-Si系统。
2018-01-04 cond-mat.mtrl-sci physics.app-ph
Correlation between microstructure and magnetotransport in organic semiconductor spin valve structures
我们研究了有机-无机杂化多层膜结中的磁输运。在这些器件中，有机半导体（OSC）Alq $_3$（三（8-羟基喹啉）铝）在铁磁（FM）Co和Fe层之间形成间隔层。Alq $_3$层的厚度为50-150 nm。在4.2 K下，在垂直于平面几何形状的电流中观察到正磁阻（MR），并且这些效应持续到室温。用X射线反射仪、俄歇电子能谱仪和极化中子反射仪（PNR）研究了器件的微观结构。该膜显示出在Alq $_3$和周围FM层之间的界面处具有适度平均化学粗糙度（3-5 nm）的良好限定的层。反射测量表明，较大的MR效应与较小的FM/Alq $_3$界面宽度（化学和磁性）和在Alq $_3$ /Fe界面的磁死层。PNR数据还表明，Co层，这是沉积在顶部的Alq $_3$，采用多畴的磁性结构在低场和一个完美的反平行状态没有得到。所观察到的MR的起源进行了讨论，并归因于自旋相干传输。在80 K下，Alq $_3$中自旋扩散长度的下限估计为$43 \pm 5$ nm。然而，微观结构和磁输运之间的微妙的相关性表明在这些系统中的界面效应的重要性。
2008-12-18 cond-mat.mtrl-sci
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
Microstructure and Velocity of Field-Driven SOS Interfaces: Analytic Approximations and Numerical Results
本文用解析平均场非线性响应理论研究了具有单自旋翻转Glauber动力学的二维运动Ising铁磁体中固-固界面的局域结构。Rikvold和M. Kolesik，J. Stat. 100，377（2000）]和动态蒙特卡罗模拟。通过分析和模拟，得到了表面中单个台阶高度的概率密度。的概率密度的宽度被发现显着增加与所施加的字段的大小，与理论预测和模拟结果之间的密切协议。理论和模拟之间的良好协议也被发现的场依赖性和各向异性的界面速度。通过仿真得到了最近邻台阶高度的联合分布。它显示出随着场的增加而增加的相关性，类似于在生长表面的其他例子中观察到的偏斜。
2002-04-19 cond-mat.mtrl-sci cond-mat.stat-mech
Heterogeneous Peridynamic Neural Operators: Discover Biotissue Constitutive Law and Microstructure From Digital Image Correlation Measurements
Lehigh University（里海大学）；National Technology and Engineering Solutions of Sandia, LLC（桑迪亚国家技术与工程解决方案有限责任公司）；U.S. Department of Energy（美国能源部）；National Institute of Health（美国国立卫生研究院）
提出异构近场动力学神经算子（HeteroPNO），通过两阶段学习从DIC数据中同时发现生物组织的非局部本构律与异构纤维取向场，实现大变形下各向异性异构响应的可解释建模与位移应力预测。
2024-07-20 cond-mat.mtrl-sci cs.LG
Image-Guided Microstructure Optimization using Diffusion Models: Validated with Li-Mn-rich Cathode Precursors
本文提出融合扩散图像生成、定量图像分析与PSO的闭环框架，实现电池正极前驱体形貌的正向预测与合成参数逆向优化，并经实验验证。
2025-05-12 cond-mat.mtrl-sci cs.CV cs.LG
AI-driven Bayesian inference of statistical microstructure descriptors from finite-frequency waves
从长波长波数据对材料进行微尺度成像的能力是地球物理、工程和医学领域的一个重大挑战。在这里，我们提出了一个框架，以限制微观结构的几何形状和性能从长尺度波。为了真实地量化微观结构，我们使用两点统计，从中我们获得尺度相关的有效波的属性-波速和衰减-使用强对比度展开（SCE）（粘）弹性波场。通过评估各种两点关联函数，我们观察到，有效的波的速度和衰减的长尺度波主要取决于体积分数和相位特性，特别是在小尺度的衰减是高度敏感的几何结构的异质性（例如几何超均匀性）由于亚波长多次散射的不相干的推断。我们的目标是从观察到的有效波参数推断微观结构特性。为此，我们使用随机森林（RF）的监督机器学习方法来构建贝叶斯推断方法。我们可以准确地解决两点关联函数采样从各种微结构配置，包括：一个珠包，Berea砂岩和Ketton石灰岩样品。重要的是，我们证明了小尺度诱导的有效弹性波的反演产生了最好的结果，特别是与单波模式（例如，仅声学）信息。此外，我们表明，检索微尺度介质对比度是更困难的-因为它是高度不适定的-只能实现特定的先验知识。我们的研究结果是有前途的许多应用，如地震灾害监测，无损检测，成像流体在多孔介质中的流动，量化组织的属性在医疗超声，或设计材料与定制的波属性。
2021-04-16 cond-mat.mtrl-sci eess.IV physics.geo-ph
Multi-modal data-driven microstructure characterization
Interdisciplinary Centre for Advanced Materials Simulation, Ruhr University Bochum（鲁尔大学波鸿分校先进材料模拟跨学科中心）
本研究通过多模态数据驱动方法实现自动化的微观结构表征，包括晶粒分割和晶界检测，利用信息论优化参数选择和潜在空间特征映射。
2026-01-18 cond-mat.mtrl-sci
Modeling and Reconstructing Complex Heterogeneous Materials From Lower-Order Spatial Correlation Functions Encoding Topological and Interface Statistics
非均质材料的多功能物理性质与其复杂的微观结构密切相关，可以使用包含材料相的关键结构特征的各种空间关联函数对其进行统计表征和建模。一个重要的相关问题是从包含在关联函数中的有限形态信息逆重建材料的微结构。在这里，我们详细介绍了一种广义格点（GLP）方法的基础上的格子气模型的非均匀材料，有效地计算一个特定的关联函数通过更新相应的功能与略有不同的微观结构。这允许人们将迄今为止使用的最广泛的低阶关联函数（包括编码拓扑连通性信息和界面统计的那些）并入Yeong-Torquato随机重建过程中，并且因此使得人们能够获得虚拟材料微结构的更精确的再现，以确定各种关联函数的信息内容，并为感兴趣的材料选择最敏感的微观结构描述符。我们的GLP方法的效用说明了建模和重建广泛的随机异质材料，包括“集群”RSA磁盘，金属陶瓷复合材料，枫丹白露砂岩和二进制激光散斑图案的二维切片，以及其他例子。
2019-09-29 cond-mat.mtrl-sci physics.comp-ph
The Adoption of Image-Driven Machine Learning for Microstructure Characterization and Materials Design: A Perspective
最近，在材料设计、发现和表征中采用机器学习技术的浪潮导致了图像驱动机器学习（IDML）方法的兴趣和应用的增加。在这项工作中，我们回顾了IDML在材料表征领域的应用。一个层次结构的六个行动步骤的定义划分成定义明确的模块的问题陈述。在这项工作中审查的研究通过他们在每个步骤中通过的决定进行分析。这样的审查允许对该领域进行粒度评估，例如IDML对纳米级材料表征的影响，电子显微镜图像上训练语义分割模型所需的典型数据集中的图像数量，迁移学习在该领域的流行程度等。并概述了该领域的两种新兴技术：语义分割和生成对抗网络。
2021-05-20 cond-mat.mtrl-sci eess.IV
Learning from 2D: machine learning of 3D effective properties of heterogeneous materials based on 2D microstructure sections
微观结构-性能关系是有效设计先进应用结构材料的关键。计算方法的进步使得能够使用3D模型（例如，有限元）。作为这些模型的输入所需的3D微结构数据通常从3D表征实验或基于来自2D微结构图像的统计的数字重建获得。在这项工作中，我们提出了机器学习（ML）的方法来直接从2D微观结构部分建模异质材料的有效属性。为此，我们将基于空间相关性和卷积神经网络的统计学习模型视为两种不同的ML策略。在这两种策略中，模型都是在综合生成的3D微观结构及其从微机械3D模拟获得的特性的数据集上训练的。在训练时，模型从2D微观结构截面预测属性。所提出的模型的优点是，他们只需要2D部分，其实验采集是更容易相比，3D表征。此外，本模型不需要3D微结构的数字重建。
2023-03-17 cond-mat.mtrl-sci
Descriptor-based reconstruction of three-dimensional microstructures through gradient-based optimization
微结构重构是反材料设计概念的重要基石。在这项工作中，开发了一种通用的算法，从给定的描述符重建三维微观结构。基于二维（2D）显微照片，这种重建算法允许有价值的洞察力，通过空间可视化的微观结构和在硅片上的研究结构-性能的联系。该公式通过将铸造组织重构作为基于梯度的优化问题来确保计算效率。在此，可以自由地选择描述符，例如空间相关性或革兰氏矩阵，只要它们相对于微观结构是可微的。由于真实的微观结构样品通常仅作为2D显微图像提供，因此在正交2D切片上规定了用于重建过程的所需描述符。这就增加了一个噪声源，它以一种新的、更好的和可解释的方式处理。各种数值实验证明了这种配方的效率和适用性。
2021-10-25 cond-mat.mtrl-sci
PH-Net: Parallelepiped Microstructure Homogenization via 3D Convolutional Neural Networks
随着增材制造的快速发展，微结构引起了学术界和工业界的兴趣。数值均匀化方法在分析微结构力学行为方面已经得到了很好的研究，但是它太耗时，不适合在线计算或需要高频调用的应用，例如，拓扑优化数据驱动的均匀化方法作为更有效的选择出现，但将微结构限制为立方体形状，这对于具有更一般形状的周期性微结构是不可行的，例如，平行六面体本文介绍了一种用于平行形状微结构快速均匀化的三维卷积神经网络（CNN），称为PH-Net。与现有的数据驱动方法相比，PH-Net预测了特定宏观应变下微结构的局部位移，而不是直接均匀材料，这促使我们提出了一种基于最小势能的无标记损失函数。对于数据集的构建，我们引入了形状-材料变换和体素-材料张量来编码微结构类型，基础材料和边界形状作为PH-Net的输入，这样它是CNN友好的，并增强了PH-Net在微结构类型，基础材料和边界形状方面的泛化能力。与数值均匀化方法相比，PH-Net预测均匀化属性具有数百个加速，甚至支持在线计算。此外，它不需要标记数据集，因此在训练处理方面比当前的深度学习方法快得多。受益于预测局部位移，PH-Net提供了均匀的材料特性和微观力学特性，例如，应变和应力分布，屈服强度等，我们设计了一组物理实验，并验证了PH-Net的预测精度。
2022-06-22 cond-mat.mtrl-sci cs.GR
Irradiation-Driven Recrystallization in Fusion-Grade Tungsten: A Mesoscale, Microstructure-Aware Model
University of California Los Angeles（加州大学洛杉矶分校）；University of Miami（迈阿密大学）；Stony Brook University（石溪大学）；Oak Ridge National Laboratory（橡树岭国家实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
本研究提出了一种介观尺度、微观结构感知模型，用于模拟聚变级钨多晶中塑性变形、辐照损伤和晶粒生长的共同演化，揭示温度和铼偏析对再结晶温度的影响。
2026-02-20 cond-mat.mtrl-sci
Dislocation saturation in slip rate driven processes and initial microstructure effects for large plastic deformation of crystals
本文分析位错密度模型中滑移速率驱动过程的稳定性，揭示饱和位错密度与初始微观结构对硬化、软化及尺寸效应的作用，并通过微柱压缩模拟验证其捕捉小尺度微观演化的能力。
2025-07-23 cond-mat.mes-hall cond-mat.mtrl-sci physics.comp-ph
Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys
School of Computer Engineering and Science（计算机工程与科学学院）；Shanghai University（上海大学）；School of Computing and Information（计算与信息学院）；University of Pittsburgh（匹兹堡大学）
提出融合元素成分与显微组织图像特征的多模态深度学习框架，利用Transformer回归模型预测固溶态Mg-Gd合金维氏硬度，R^2达0.9，并通过SHAP揭示关键设计因素。
2024-10-27 cond-mat.mtrl-sci cs.CV cs.LG
Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
Center for Integrated Nanotechnologies（集成纳米技术中心）；Sandia National Laboratories（桑塔纳国家实验室）；Theoretical Division（理论 division）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Department of Mechanical Engineering（机械工程系）；Pohang University of Science and Technology（釜山科学技术大学）
本文提出变分深度材料网络，用于材料数字孪生中的鲁棒不确定性量化，通过高效传播不确定性来预测材料行为并验证非线性机械变异性。
2025-12-19 cond-mat.mtrl-sci cs.LG
Data-driven analysis of grain-growth kinetics in duplex and triplex systems
在多相系统中晶粒生长过程中，单个相-晶粒的演化动力学与整个微观组织生长速率之间的关系还没有得到令人信服的理解。因此，在这项工作中，舒适的可理解的统计工具来实现的多相系统的整体晶粒生长动力学，双相和三相，具有不同的相分数的演变相晶粒的影响。一个数据集，能够呈现统计上显着的，和访问，信息是通过建模和分析，在二十个不同的多晶系统，包括14个三重和五个双相微结构与不同的相分数，和一个均匀的单相系统，在多相场框架中的晶粒生长。这些广泛的微观结构的统计分析揭示，在各向同性的晶粒生长过程中，双相和三相系统的整体演化动力学主要由主相晶粒的生长速率决定，而与相分数无关。此外，通过多元非线性回归，人们意识到，随着主相晶粒的体积分数的增加，由双相和三相显微组织所表现出的整体各向同性晶粒生长速率按照一定的指数关系增加。此外，本研究揭示，虽然在三重微结构中的晶粒生长过程中的各个相晶粒的演变表现出一定程度的相互依赖性，但在具有相对低体积分数的次要相的晶粒之间观察到最少的相互作用。
2021-08-04 cond-mat.mtrl-sci physics.app-ph
Entropy-Driven Microstructure Evolution Predicted with the Steepest-Entropy-Ascent Quantum Thermodynamic Framework
一个Potts模型和能量交换Wang-Landau算法被用来构建一个包含表面和晶界的晶体固体的能量景观。能量景观施加到一个运动方程从最陡熵上升量子热力学（SEAQT）框架，探索三种不同的微观结构演变的动力学：多晶烧结，沉淀粗化，晶粒生长。最陡熵上升假设预测这些非平衡过程的唯一动力学路径，而不需要任何有关过程的物理机制的详细信息。还提出了一种方法，用于关联的动力学路径在状态空间中的一组平稳演变的微观结构描述符。SEAQT预测的动力学与现有的实验动力学ZrO 2烧结，Al 3Li沉淀粗化，纳米晶Pd晶粒生长。与计算该方法所需的能量景观相关联的计算成本与蒙特卡罗模拟相当。然而，从SEAQT运动方程的后续动力学计算是相当适度的，并且通过避免对多个动力学Monte Carlo运行求平均值的需要而节省了相当多的计算资源。
2022-05-24 cond-mat.mtrl-sci cond-mat.stat-mech
Novel Hierarchical Correlation Functions for Quantitative Representation of Complex Heterogeneous Materials and Microstructural Evolution
非均质材料的复杂微观结构及其在外部刺激下的演变的有效和准确的表征和量化是非常具有挑战性的，但对于实现可靠的材料性能预测、工艺优化和新材料设计至关重要。在这里，我们通过开发一组新的分层统计微观结构描述符，我们称之为“n-点多面体函数”Pn，用于定量表征，表示和建模复杂的材料微观结构及其演变来解决这一挑战。这些新的多面体函数依次包括高阶n-点统计的微观结构中的感兴趣的功能，在一个简洁的，富有表现力的，可解释的，和通用的方式，并可以直接从多模态成像数据计算。我们开发了高效的计算工具，直接从多模态成像数据中提取Pn函数n = 8。使用简单的模型微观结构，我们表明，这些新的统计描述符有效地“分解”感兴趣的结构特征成一组“多面体的基础”，使人们可以很容易地检测到任何潜在的对称性或新兴的功能在结构演化。我们应用这些新的Pn函数来量化和模拟各种异质材料系统，包括颗粒增强复合材料，金属陶瓷复合材料，混凝土，多孔材料，以及在老化的铅锡合金的微观结构演变。我们的研究结果表明，Pn函数可以提供一个实际上完整的和紧凑的基础定量微观结构表示（QMR），静态的三维复杂的微观结构和4D微观结构演变的一个广泛的异质材料系统。
2019-05-16 cond-mat.mtrl-sci physics.comp-ph
Microstructure and velocity of field-driven Ising interfaces moving under a soft stochastic dynamic
我们目前的理论和动态蒙特卡罗模拟结果的迁移率和微观结构的1+1维伊辛界面远离平衡移动在一个单一的自旋翻转"软“随机动力学下的应用领域。软动力学的特点是由场能和相互作用能的变化的影响在过渡率的因式分解的属性，在传统的Glauber和大都会率（“硬”动力学）的nonfactorizing性质相反。这一工作扩展了我们以前对具有硬动力学的伊辛模型和具有软硬动力学的无约束SOS模型的研究。[P.A. Rikvold和M. Kolesik，J. Stat. 100，377（2000）; J.Phys.A35，L117（2002）; Phys.Rev.E66，066116（2002）]。具有软动力学的伊辛模型与具有相同动力学的SOS模型具有非常相似的性质。特别是，局部界面宽度不发散与增加的领域，因为它没有硬动力学。在非零场的界面的偏斜是非常弱的，并与硬动力学得到的相反的符号。
2003-02-18 cond-mat.mtrl-sci cond-mat.stat-mech
What can machine learning help with microstructure-informed materials modeling and design?
本文综述了机器学习在基于微结构信息的材料建模与设计中的应用，涵盖表征、模拟、关联及优化，并提供了教学指导以降低跨学科门槛。
2024-05-28 cond-mat.mtrl-sci physics.comp-ph
Grain boundary network plasticity: reduced-order modeling of deformation-driven microstructure evolution
本文提出“晶界网络塑性”多尺度模型，用图论描述晶界连通性，基于最小耗散势原理建立演化方程，实现多晶塑性变形的降阶高效模拟。
2024-01-03 cond-mat.mes-hall cond-mat.mtrl-sci
A multi-physics model for dislocation driven spontaneous grain nucleation and microstructure evolution in polycrystals
提出统一热力学一致的多物理场模型，融合Cosserat晶体塑性与HMP取向相场，实现位错驱动的自发晶粒形核及晶界迁移模拟。
2025-06-10 cond-mat.mtrl-sci physics.comp-ph
Accelerate Microstructure Evolution Simulation Using Graph Neural Networks with Adaptive Spatiotemporal Resolution
针对二维和三维晶粒长大模拟，本文提出基于图神经网络的自适应时空分辨率计算框架，可配合重网格化与更大时间步长提升预测精度、效率并降低计算成本。
2024-01-19 cond-mat.mtrl-sci
Neural Network Modeling of Microstructure Complexity Using Digital Libraries
Tsinghua University（清华大学）
受微观结构演化双重表示启发，评估人工与脉冲神经网络在预测疲劳裂纹增长和Turing图案中的性能，发现漏积分触发模型以更少参数和内存实现更高精度，突显事件驱动模型解决演化问题的优势。
2025-01-30 cond-mat.mtrl-sci cs.CE cs.LG
Multiscale simulation of spatially correlated microstructure via a latent space representation
提出一种基于变分自编码器潜空间表示的多尺度方法，用于模拟空间相关微结构，在AlSi10Mg上验证了与直接数值模拟的一致性、不确定性传播及功能梯度模拟。
2024-05-29 cond-mat.mtrl-sci
Microstructure Representation and Reconstruction of Heterogeneous Materials via Deep Belief Network for Computational Material Design
Arizona State University（亚利桑那州立大学）
集成计算材料工程（ICME）旨在通过集成材料科学和设计自动化来加速复杂材料系统的优化设计。对于易处理的ICME，要求（1）识别结构特征空间以允许新设计的重构，以及（2）重构过程保持性质。大多数现有的结构表示方案依赖于设计者对特定材料系统的理解来识别几何和统计特征，这可能是有偏见的，并且不足以重建复杂材料系统的物理上有意义的微观结构。在本文中，我们开发了一种基于卷积深度信念网络的特征学习机制，以自动实现微结构及其低维特征表示之间的双向转换，并从微结构空间实现1000倍的降维。所提出的模型被应用到一个广泛的频谱的非均匀材料系统具有不同的微观结构特征，包括Ti-6Al-4V合金，Pb 63-Sn 37合金，枫丹白露砂岩，球形胶体，产生材料重建，是接近原始样品的2点关联函数和平均临界断裂强度。现有的合成方法依赖于材料微观结构的马尔可夫假设，无法实现这种能力。
2017-04-28 cond-mat.mtrl-sci cs.LG stat.ML
Magnetically driven in-plane modulation of the 3D orientation of vertical ferromagnetic flakes
已知外部磁场可以吸引磁响应胶体颗粒并对其进行定向。在2D微片的情况下，旋转磁场通常用于以砖和砂浆的方式使它们彼此平行地取向。由于这种微观结构，所得复合材料实现了增强的机械和功能特性。然而，具有复杂几何形状的零件需要在3D中对它们的微观结构进行专门的调整和局部控制。尽管已经使用磁取向结合顺序或连续铸造证明了微结构沿垂直方向的可调性，但以快速有效的方式控制水平面中的颗粒取向仍然具有挑战性。在这里，我们建议使用旋转磁阵列来控制分布在未固化的聚合物基体中的铁磁性镍薄片的面内取向。我们实验研究了响应于在不同频率和旋进角的磁体旋转的薄片的取向。然后，我们使用COMSOL模型的磁场从旋转的磁性阵列，并预测所得的面内取向。为了验证这种方法，我们创建了具有局部取向薄片的复合材料。这项工作可以启动逆向工程方法来设计复杂几何形状的复合材料的结构或功能应用的微观结构。
2021-12-27 cond-mat.mtrl-sci cond-mat.soft physics.app-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
Multimodal deep learning framework to predict strain localization of Mg/LPSO two-phase alloys
Department of Materials Engineering, School of Engineering, The University of Tokyo（东京大学工学部材料工程学科）
本研究采用多模态深度学习框架，结合三种微观结构描述符，从三维图像预测Mg/LPSO两相合金的压缩局域应变分布，验证了方法的有效性。
2026-08-11 cond-mat.mtrl-sci
Time series forecasting of multiphase microstructure evolution using deep learning
本文提出将微观结构演化建模为时间序列预测问题，结合卷积自编码器与卷积循环神经网络构建深度学习代理模型，在调幅分解案例中实现高精度加速预测，并验证了迁移学习能力。
2024-11-21 cond-mat.mtrl-sci
evoxels: A differentiable physics framework for voxel-based microstructure simulations
Imperial College London（帝国理工学院伦敦分校）；Massachusetts Institute of Technology（麻省理工学院）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出evoxels框架，结合体素化方法、物理模拟和机器学习，实现微观结构的逆向设计与优化。
2025-07-29 cond-mat.mtrl-sci cs.CE cs.LG
Learning crystal plasticity using digital image correlation: Examples from discrete dislocation dynamics
West Virginia University（西弗吉尼亚大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
数字图像相关（DIC）是一种成熟的、非侵入性的技术，用于跟踪和量化机械样品在应变下的变形。虽然它提供了一个明显的方式来观察增量和总位移信息，它似乎很可能DIC数据集，毕竟反映了空间分辨的响应的微观结构的负载，包含更丰富的信息比一般从他们提取。在本文中，我们展示了一种机器学习方法，根据其对后续DIC测试的响应来量化晶体样品的先前变形历史。这种先前的变形历史是通过位错微观结构的不均匀性在微观结构中编码的，并且在位错图案的空间相关性中编码，这介导了系统对DIC测试载荷的响应。我们的域由离散位错塑性模拟产生的变形结晶薄膜。我们探讨了机器学习（ML）对典型实验方案的适用范围，以及可能的大小效应和随机性的函数。塑性尺寸效应可能会直接影响数据，使无监督技术无法区分不同的塑性制度。
2019-04-13 cond-mat.mes-hall cond-mat.mtrl-sci cond-mat.stat-mech
Self-Supervised Learning and Prediction of Microstructure Evolution with Recurrent Neural Networks
微观结构演化是理解和开发材料结构-性能-性能关系的一个关键方面。微观结构演化的模拟通常依赖于粗粒度的模拟，其演化原理由偏微分方程（PDE）描述。在这里，我们证明了卷积循环神经网络可以学习潜在的物理规则，并在预测微观结构现象时取代基于PDE的模拟。神经网络通过自监督学习来训练，其中图像序列来自几个常见过程的模拟，包括平面波传播、晶粒生长、旋节分解和树枝状晶体生长。经过训练的网络可以准确地预测微观结构的短期局部动力学和长期统计特性，并且能够在时空域以及配置和参数空间中外推训练数据集。这种数据驱动的方法在时间步进效率方面比基于PDE的模拟具有显着优势，并且提供了一种有用的替代方案，特别是当材料参数或控制PDE没有很好地确定时。
2020-08-30 cond-mat.mtrl-sci physics.comp-ph
Particles with selective wetting affect spinodal decomposition microstructures
我们已经使用介观尺度模拟研究在三元混合物，如聚合物共混物的亚稳分解过程中的微结构形成的固定粒子的效果。具体来说，我们已经探索了一个政权的粒子间的间距（这是几倍的特征旋节线长度尺度），我们可能会期望有趣的新的影响所产生的润湿，旋节线分解和粗化之间的相互作用。在本文中，我们报告了三个新的影响系统中的颗粒相有一个强烈的偏好被润湿的成分之一（说，A）。在颗粒的存在下，微结构在对称混合物中不是双连续的。另一方面，不对称混合物首先形成非双连续的微观结构，然后在中间时间演变成双连续的。此外，虽然颗粒相被优选组分（A）润湿在颗粒周围产生交替的富A和富B层，但曲率驱动的粗化导致第一富A层的收缩和消失，留下与颗粒接触的非优选组分层。在后期模拟时间，矩阵分量的域遵循Lifshitz-Slyozov-Wagner定律$R_1(t) \sim t^{1/3}$而变粗。
2017-06-09 cond-mat.mtrl-sci
Scalable data-driven modeling of microstructure evolution by learning local dependency and spatiotemporal translation invariance rules in phase field simulation
针对相场模拟计算成本高、现有数据驱动方法需大量训练数据且黑箱性影响长期预测可靠性的问题，本研究通过晶粒生长和旋节线分解实例，提出用极简CNN仅基于单个小规模模拟的极小数据集训练，实现向更大系统的无缝扩展和可靠长期预测，揭示其成功源于归纳偏置与相场模拟物理先验的对齐。
2025-11-13 cond-mat.mtrl-sci
Close correlation between giant magnetostriction and the microstructure in Fe-Ga melt-spun ribbons
Initute for Material Research, Tohoku University（东北大学物质材料研究所周）；Mterials processing, Graduate School of Engineering, Tohoku University（东北大学大学院工学研究科材料加工）；Graduate School of Systems Science and Technology, Akita Prefectural University（秋田县立大学系统科学与技术研究学院）；Center for Science and Innovation in Spintronics, Tohoku University（东北大学自旋电子学科学与技术中心）
通过稀土掺杂和冷却速率优化，在Fe-Ga快淬薄带中实现<100>织构和磁弹各向异性，获得高达688 ppm的巨磁致伸缩。
2026-05-22 cond-mat.mtrl-sci
Building Data-driven Models with Microstructural Images: Generalization and Interpretability
Citrine Informatics；Carnegie Mellon University（卡内基梅隆大学）
随着数据驱动方法在材料科学应用中的普及，一个关键问题是如何使用这些机器学习模型来理解微观结构。考虑到过程-结构-性能关系在整个材料科学中的重要性，可以利用微观结构数据的模型似乎更有能力预测性能信息。虽然最近有一些尝试使用卷积神经网络来理解微观结构图像，但这些早期研究仅关注哪些特征化可以为单个数据集提供最高的机器学习模型精度。本文探讨了使用卷积神经网络对微观结构进行分类，并考虑到一组更全面的目标：数据集之间的泛化，所需的特征数量和可解释性。
2017-11-01 cond-mat.mtrl-sci cs.AI
Improved reconstructions of random media using dilation and erosion processes
利用迄今为止最灵敏的两点关联函数，我们以前所未有的精度重建了两相随机介质的微观结构。这种介质出现在许多环境中，包括多孔和复合介质，生态结构，生物介质和天体物理结构。上述关联函数是所谓的{ \it正则} $n$ -点关联函数$H_n$的特殊情况，并且推广了最近用于提高我们重建复杂微结构能力的相关函数[Y. Jiao，F. H. Stillinger和S. Torquato，Proc. Nat. Acad. Sci. { \bf 106}，17634（2009）]。这些广义关联函数的使用等同于扩张或侵蚀目标介质的参考相位，并结合修改介质的附加拓扑信息，从而提供对重构、重构和其他拓扑复杂微结构的更精确的重建。我们将我们的方法应用到一个多连接的“甜甜圈”介质和一个稀分布的“裂缝”（一组基本上为零的措施），证明在这两种情况下，更高的维度和双连通两相系统的影响，提高了精度。广义两点关联函数的高信息含量表明，这将是有益的，探索使用它们来表征不仅随机介质的结构和物理性质，而且分子系统，包括结构玻璃。
2012-01-03 cond-mat.mtrl-sci
Feature engineering for microstructure-property mapping in organic photovoltaics
将有机光伏（OPV）薄膜的高度复杂的形态与其电荷传输性质联系起来对于实现用作能量收集的成本有效的方法的高性能材料系统是至关重要的。在本文中，一种新的无监督的特征工程框架的开发和使用，以建立降阶的OPV薄膜的结构-性能的联系。该框架利用数字图像处理算法来识别经历电荷传输现象的OPV的显著材料特征。这些材料状态，然后通过2点的空间相关性和主成分分析，以获得一个低维表示的OPV微结构。据发现，除了材料PC分数，需要两个基于距离的度量来完成复杂的OPV的微观结构量化。然后使用高斯过程的本地化版本（laGP）将材料PC分数以及两个基于距离的度量与OPV的短路电流相关联。结果表明，本文提出的无监督特征工程框架结合laGP可以导致高保真和准确的数据驱动的OPV薄膜的结构-性质的联系。
2021-11-02 cond-mat.mtrl-sci
Designing shape-memory-like microstructures in intercalation materials
在离子的可逆插入过程中，插层材料中的晶格经历结构转变。这些晶格转变产生错配应变和体积变化，这反过来又导致插层材料的结构衰减并限制其可逆循环。在本文中，我们借鉴了记忆合金的见解，另一类相变材料，也经历了大的晶格转变，但这样做的宏观体积变化和内应力可以忽略不计。我们发展了一个理论框架来预测层间化合物的结构转变，并建立了在插层材料中形成形状记忆样微结构所需的晶体学设计规则。我们使用我们的框架系统地筛选包含n > 5000对层间化合物的开源结构数据库。我们确定了候选化合物，如Li $_x$ Mn $_2$ O $_4$（尖晶石），Li $_x$ Ti $_2$（PO $_4$）$_3$（NASICON），它们近似满足晶体学设计规则，可以精确掺杂以形成形状记忆样微结构。在整个过程中，我们比较我们的分析结果与实验测量的层间化合物。我们发现，在这些材料的结构转换，微观结构，并增加容量保持之间的直接相关性。这些结果，更一般地说，表明嵌入材料的晶体学设计可能是一种新的途径，发现化合物，不衰减与连续使用。
2022-06-29 cond-mat.mtrl-sci
Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites
研究针对优化含可控微观结构的可持续材料需多尺度模拟及数据量大的问题，提出用超网络对混合物理-数据替代模型依微观结构变量条件设定的方法，实现多尺度模拟，优化圆盘降低应力，还能依制造变量设定网络，加速可持续材料和结构开发。
2026-10-20 cond-mat.mtrl-sci cs.LG cs.NA
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
Atomistic simulation of martensite microstructural evolution during temperature driven $β\rightarrow α$ transition in pure titanium
钛及钛合金在温度驱动下发生马氏体相变，形成复杂的细观组织。优化这些材料的机械性能需要了解加工参数与微观结构形成和演变机制之间的相关性。在这项工作中，我们研究了温度诱导相变从BCC到HCP在纯钛的原子模型和调查的影响，局部应力条件对最终的马氏体形态。我们模拟了在不同应力条件下的转变，并进行了详细的分析，在过渡过程中使用的变形梯度图，表征局部晶格畸变的微观结构的演变。最终马氏体形态的分析显示了机械约束如何影响所选变体的数量和最终微观结构中缺陷的数量/类型。我们给洞察实验观察到的不同接口的起源和结构，如互变边界和反相缺陷。特别是，我们展示了反相缺陷如何起源于在过渡期间到达的双重简并洗牌位移，以及当局部应力阻止周围生长的马氏体核的基质的自由形状变化时，三重结的形成如何驱动织构演变。
2021-08-11 cond-mat.mes-hall cond-mat.mtrl-sci nlin.PS
Parameter-aware high-fidelity microstructure generation using stable diffusion
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）；Konkuk University（建国大学）
本文提出基于稳定扩散3.5大模型的参数感知微结构生成方法，通过数值感知嵌入和微调技术实现高保真微结构生成，验证了其在材料设计中的有效性。
2025-11-16 cond-mat.mtrl-sci cs.AI
A Transfer Learning Approach for Microstructure Reconstruction and Structure-property Predictions
随机微结构重构已成为计算材料科学不可或缺的一部分，但正在进行的发展是特定的特定材料系统。在本文中，我们通过提出一种适用于各种材料系统的基于迁移学习的微结构重建和结构性能预测方法来解决这个一般性问题。所提出的方法结合了编码器-解码器过程和使用深度卷积网络的特征匹配优化。对于微观结构重建，实现模型修剪，以便研究深度卷积网络内的微观结构特征和分层之间的相关性。然后利用模型修剪中获得的知识开发结构-性质预测模型，以确定网络架构和初始化条件。该方法的一般性数值证明了广泛的材料微观结构的几何特征的不同的复杂性。与仅适用于特定材料系统或在模型选择和超参数调整中需要大量先验知识的先前方法不同，本方法提供了处理复杂微结构的现成解决方案，并且具有加速发现新材料的潜力。
2018-05-08 cond-mat.mtrl-sci cs.CE physics.comp-ph
Deep Learning Approaches for Dynamic Mechanical Analysis of Viscoelastic Fiber Composites
ENSMN（法国国立高等矿业与冶金学院）；LORIA（洛林计算机科学及其应用实验室）；LIPN（巴黎第十三大学计算机科学实验室）；LEMTA（洛林能源与材料理论与应用力学实验室）
本文利用深度神经网络将增强聚合物复合材料的微观结构映射至其力学性能，加速了动态力学分析过程，并支持从期望性能逆向生成微观结构。
2023-10-20 cond-mat.mtrl-sci cs.AI cs.LG
Fracture in multi-phase materials: why some microstructures are more critical than others
我们的目标是解开机制，导致故障的韧性两相材料-由一个韧性软相和一个相对脆硬相。采用理想化的细观结构模型，系统、透明地研究了损伤扩展问题。分析揭示了不同的微观结构特征周围的早期空隙，从而硬相的区域与拉伸轴和软相的区域与剪切方向对齐。这些特征在表现出损伤扩展的区域中一致地被发现，由此损伤保持初始驱动，即空隙彼此独立地成核。在本地化，损害控制在一个较长的长度尺度依赖于一个关键的相对位置的“启动热点”。在软相的带中，损伤迅速增加，其中几个空隙与剪切方向对齐。空隙的相对排列决定了微结构是早期失效还是在显著更高的应变下失效。虽然需要进行大量的研究来完善这些发现，以获得真实或更现实的微观结构，特别是在三维空间中，但本文为更深入地了解多相材料的最终失效开辟了一条途径。
2016-12-19 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
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
