マイクロ構造再構築と構造-特性予測のための転移学習アプローチ

確率的マイクロ構造再構築は計算材料科学において不可欠な部分となっていますが、進行中の開発は特定の材料システムに特化しています。本論文では、広範な材料システムに適用可能なマイクロ構造再構築および構造-特性予測のための転移学習に基づくアプローチを提示することで、この一般性の問題に対処します。提案されたアプローチは、エンコーダ-デコーダプロセスとディープ畳み込みネットワークを使用した特徴マッチング最適化を組み込みます。マイクロ構造再構築のためには、モデルプルーニングが実施され、マイクロ構造特徴とディープ畳み込みネットワーク内の階層レイヤーとの相関を研究します。モデルプルーニングで得られた知識は、ネットワークアーキテクチャと初期化条件を決定するための構造-特性予測モデルの開発に活用されます。このアプローチの一般性は、さまざまな複雑性の幾何学的特徴を持つ広範な材料マイクロ構造に対して数値的に示されます。特定の材料システムにのみ適用されるか、モデル選択およびハイパーパラメータ調整において значомноな量の事前知識を必要とする以前のアプローチとは異なり、現在のアプローチは複雑なマイクロ構造を扱うための市販のソリューションを提供し、新素材の発見を促進する可能性を有しています。