論文の概要: Statistically controllable microstructure reconstruction framework for heterogeneous materials using sliced-Wasserstein metric and neural networks

• arxiv url: http://arxiv.org/abs/2511.14268v1
• Date: Tue, 18 Nov 2025 09:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.023072
• Title: Statistically controllable microstructure reconstruction framework for heterogeneous materials using sliced-Wasserstein metric and neural networks
• Title（参考訳）: スライス・ワッサーシュタイン計量とニューラルネットワークを用いた異種材料の統計的制御可能な微細構造再構築フレームワーク
• Authors: Zhenchuan Ma, Qizhi Teng, Pengcheng Yan, Lindong Li, Kirill M. Gerke, Marina V. Karsanina, Xiaohai He,
• Abstract要約: 異種多孔質材料は様々な工学システムにおいて重要な役割を担っている。 本稿では,ニューラルネットワークとスライス・ワッサーシュタイン計量を統合した統計的制御可能なマイクロ構造再構築フレームワークを提案する。 本手法では, サンプルサイズが小さい場合でも, 再現作業の実施と制御が可能である。
• 参考スコア（独自算出の注目度）: 6.011061228715799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous porous materials play a crucial role in various engineering systems. Microstructure characterization and reconstruction provide effective means for modeling these materials, which are critical for conducting physical property simulations, structure-property linkage studies, and enhancing their performance across different applications. To achieve superior controllability and applicability with small sample sizes, we propose a statistically controllable microstructure reconstruction framework that integrates neural networks with sliced-Wasserstein metric. Specifically, our approach leverages local pattern distribution for microstructure characterization and employs a controlled sampling strategy to generate target distributions that satisfy given conditional parameters. A neural network-based model establishes the mapping from the input distribution to the target local pattern distribution, enabling microstructure reconstruction. Combinations of sliced-Wasserstein metric and gradient optimization techniques minimize the distance between these distributions, leading to a stable and reliable model. Our method can perform stochastic and controllable reconstruction tasks even with small sample sizes. Additionally, it can generate large-size (e.g. 512 and 1024) 3D microstructures using a chunking strategy. By introducing spatial location masks, our method excels at generating spatially heterogeneous and complex microstructures. We conducted experiments on stochastic reconstruction, controllable reconstruction, heterogeneous reconstruction, and large-size microstructure reconstruction across various materials. Comparative analysis through visualization, statistical measures, and physical property simulations demonstrates the effectiveness, providing new insights and possibilities for research on structure-property linkage and material inverse design.
• Abstract（参考訳）: 異種多孔質材料は様々な工学システムにおいて重要な役割を担っている。 構造特性評価と再構成は, 物理特性シミュレーション, 構造-プロパティ結合研究, 各種応用における性能向上に重要な, これらの材料をモデル化するための効果的な手段を提供する。 そこで我々は,ニューラルネットワークをスライス・ワッサーシュタイン計量と統合する統計的制御可能なマイクロ構造再構成フレームワークを提案する。 具体的には, 局所パターン分布を微構造評価に利用し, 所定の条件パラメータを満たすターゲット分布を生成するために, 制御されたサンプリング戦略を用いる。 ニューラルネットワークに基づくモデルは、入力分布から対象の局所パターン分布へのマッピングを確立し、微細構造再構築を可能にする。 スライスされたワッサーシュタイン計量と勾配最適化の手法を組み合わせることで、これらの分布間の距離を最小化し、安定かつ信頼性の高いモデルが導かれる。 本手法では, サンプルサイズが小さい場合でも, 確率的かつ制御可能な再構成作業を行うことができる。 さらに、チャンキング戦略を使用して、大規模な(例えば512や1024のような)3D構造を生成することができる。 空間的位置マスクを導入することで,空間的に不均一で複雑なマイクロ構造を生成することができる。 本研究では, 確率的再構成, 制御可能な再構成, 異種再構成, および各種材料にわたる大規模微細構造再構築実験を行った。 可視化、統計測定、物理特性シミュレーションによる比較分析は、その効果を実証し、構造-プロパティ結合と材料逆設計の研究のための新たな洞察と可能性を提供する。

関連論文リスト

• Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders [0.015295722752489374]
  変分オートエンコーダ(VAE)はそのような低次元表現を構築する強力な手段を提供する。 VAEは試行錯誤や経験分析によって最適化されることが多い。 本研究では,潜在空間表現を評価するための報酬ベース戦略について検討した。
  論文  参考訳（メタデータ） (2025-09-30T20:15:42Z)
• MIND: Microstructure INverse Design with Generative Hybrid Neural Representation [25.55691106041371]
  マイクロマテリアルの逆設計は、特定の標的となる物理的特性を持つメタマテリアルを最適化する上で重要な役割を担っている。 本稿では,幾何学的特性と物理的特性を同時に符号化した,高度なハイブリッドニューラル表現であるHoloplaneと潜時拡散を統合した新しい生成モデルを提案する。 提案手法は,複数クラスにまたがって一般化され,多種多様なタイル状構造の生成が可能となり,特性精度が大幅に向上し,幾何的妥当性の制御が強化された。
  論文  参考訳（メタデータ） (2025-02-01T20:25:47Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space [3.434553688053531]
  変分オートエンコーダ(VAE)を訓練し、元のテクスチャの空間統計を保存するテクスチャの再構築を行う。 空間統計空間における原点と再構成の間の距離を最小化するために,コスト関数に微分可能な項を加えることで,これを実現する。
  論文  参考訳（メタデータ） (2024-02-16T22:16:14Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• An efficient optimization based microstructure reconstruction approach with multiple loss functions [0.0]
  マイクロ構造再構成には、(一連の)ターゲットのマイクロ構造の重要な統計と特性に一致する、デジタル化されたマイクロ構造の生成が含まれる 本稿では,事前学習した深層ニューラルネットワークの統計記述子と特徴マップを,最適化に基づく再構築手順のための全体的な損失関数に統合する。 二相ランダム多孔質材料の微細構造再構成の数値的な例は、提案手法の効率性を示している。
  論文  参考訳（メタデータ） (2021-02-04T04:33:17Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。