跳到主要内容
返回时间线
arXiv来源发表:

用C4等变流匹配在APD图上生成多晶微结构,并支持免训练引导

核心概要

该工作把多晶微结构表示为各向异性功率图(APD),用图神经网络参数化的流匹配学习其紧凑几何参数分布,并引入C4等变架构使输入噪声旋转对应生成微结构旋转;还提出免训练引导框架,通过用户定义的可微目标在无需重训的情况下生成铜焊缝、铸态板坯、3D打印不锈钢和异质层片钛等形态的微结构。

Source-provided article image: C_4-Equivariant Flow Matching on Anisotropic Power-Diagram Graphs for Microstructure Generation
Figure 1 · arXiv

深度剖析

将多晶微结构生成表述为在APD紧凑几何参数上的流匹配,每颗晶粒由位置、功率权重和基于椭圆的各向异性参数描述。 此前APD生成方法只按预设统计量采样,不学习完整晶粒构型的生成分布,也不直接建模空间依赖;该工作改为学习整个APD参数分布。 以合成APD训练集训练,模型含三层消息传递、潜在维度和最近邻设置,训练100个epoch并使用AdamW优化器;生成样本可渲染到任意像素分辨率。

提出基于图的C4等变架构,建模晶粒间依赖并保证旋转一致性:输入噪声旋转后生成微结构相应旋转。 把旋转对称性直接写入模型结构,而非依赖数据增强或后处理;消息传递在不变标量特征上运行,输出系数乘以具有已知变换性质的几何基。 附录给出等变性的构造性推导,说明对任意旋转,旋转初始状态会产生相应旋转的生成APD。

提出免训练引导框架,用用户定义的可微目标控制生成微结构,无需重新训练即可施加复杂空间变化结构。 此前对全局特征的控制通常限于采样过程先验指定的统计量;该框架允许按应用定义目标函数,并分别对位置、各向异性和功率权重通道进行RMS归一化引导。 在同一个预训练模型上,用不同引导函数生成四类形态:3D打印层状结构、铸态板坯、焊缝和异质层片;目标参数和引导强度为人工选取以获得与代表性实验微结构的定性一致。

启示与展望

该工作面向需要代表性多晶微结构以建模材料行为的研究者与工程师,尤其是希望在不重训模型的情况下按应用目标定制全局形态的场景。APD表示与像素分辨率无关,支持可变晶粒数,生成样本可渲染到任意像素分辨率;免训练引导可施加空间变化的目标,如层状取向、铸态分区、焊缝内生长场和异质层片带。引导目标可由领域知识指定、按应用验证准则调参或从真实数据估计。

模型目前仅在合成APD上训练,对实验高阶统计量的保真度仍未验证;强或冲突的引导可能使样本偏离学习分布。引导目标只约束选定的APD统计量,未约束特征仍由预训练流决定,因此是近似控制而非从条件分布精确采样。目标参数和引导强度为人工选取以获得定性一致,未必最优。未来工作将评估并在EBSD数据上微调、纳入晶体取向、扩展到三维微结构,并探索基于物理信息的引导目标。