文献阅读丨GrainPaint：一种基于多尺度扩散的生成模型，用于宏观物体的微观结构重建

摘要

基于模拟的微观结构生成方法存在多种局限，如高内存使用、长计算时间以及生成复杂几何形状困难等问题。生成式机器学习模型为解决这些问题提供了途径，但此前受限于生成区域的固定大小。本文提出一种新的微观结构生成方法，利用基于去噪扩散模型的图像修复技术的进展来克服生成区域的限制。研究表明，用该方法生成的微观结构在统计上与使用动力学蒙特卡罗模拟器 SPPARKS 生成的晶粒结构相似。

关键词：动力学蒙特卡罗；生成式深度学习；微观结构重建；多尺度

---

（总体方法、神经网络示意图）

引言

计算材料科学旨在构建“过程-结构-性能”关系，而传统集成计算材料工程模型计算成本高，因此尝试用机器学习方法模拟。生成式模型相比物理模拟模型有诸多优势，如无需物理知识、计算成本低、能处理复杂几何形状等。目前已应用多种生成式模型进行微观结构重建，但存在输出尺寸固定等问题。本文提出 GrainPaint 扩散模型，以生成任意尺寸的 3D 晶粒结构。

方法

首先使用 SPPARKS 生成 3D 微观结构数据集，其基于 Potts 模型模拟晶粒生长。而后，该部分介绍了扩散模型原理，包括引入随机潜在变量、正向加噪和反向去噪过程。作者采用 RePaint 方法进行外绘（outpainting），通过规划上下文窗口、填充未知区域和分割晶粒来生成微观结构。GrainPaint 模型基于 3D U-Net，对不同数量重采样进行定性和定量分析后选择 10 次重采样。文中提出八阶段并行化方法，使用 DBSCAN 算法对模型输出进行聚类分割。

（6个CAD对象由SPPARKS生成的微结构）

结果

对 6 个 CAD 对象生成微观结构，与 SPPARKS 生成的微观结构相比，GrainPaint 生成的微观结构在定性上相似。通过对比晶粒体积、纵横比和最近邻质心距离等微观结构统计量，可评估 GrainPaint 在各向同性和各向异性微观结构上的性能：在各向同性微观结构中，GrainPaint 与 SPPARKS 生成的微观结构在这些统计量上相似；在各向异性微观结构中，GrainPaint 能捕捉部分特征，但在生成小晶粒和模拟邻域关系方面存在局限。

     

（各向异性结构上GrainPaint存在局限性）

讨论

GrainPaint 可生成任意尺寸的真实微观结构，但在计算成本、分割过程、体素化、重采样步数选择等方面存在可优化空间。该模型还存在生成特征需均匀且在生成区域内的局限，可通过引入条件向量和多模型解决。从 CAD 角度，虽现有方法未完全考虑边界条件，但生成的微观结构在实践中与实验微观结构可比。此外，讨论部分对比了采用机器学习加速 ICME 的计算速度提升因素，指出当前研究的挑战和未来方向。

---

数据集链接：https://github.com/anhvt2/spparks-hackathon, https://zenodo.org/record/8241535

原文链接：https://doi.org/10.1016/j.actamat.2025.120784

期刊：Acta Materialia

---

欢迎关注我的新公众号：倒三角冲浪家

在此更新力学、工程类交叉学科等最新文献，以及其他趣味题材文章