[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Process-aware and high-fidelity microstructure generation using stable diffusion

Created by
  • Haebom

作者

Hoang Cuong Phan, Minh Tien Tran, Chihun Lee, Hoheok Kim, Sehyok Oh, Dong-Kyu Kim, Ho Won Lee

概要

本論文は、材料設計におけるプロセス構造関係の理解に不可欠であるプロセスパラメータを条件とする現実的な微細構造画像合成に焦点を当てています。既存の限られた訓練マイクログラフと連続的なプロセス変数の特性のために困難を経験するこのタスクについて、本研究は、最先端のテキスト画像拡散モデルであるStable Diffusion 3.5 Large(SD3.5-Large)を微細構造生成に適用した新しいプロセス認識生成モデリングアプローチを提示する。連続変数(アニーリング温度、時間、倍率)をモデルの条件に直接エンコードする数値認識埋め込みを導入し、指定されたプロセス条件下で制御された画像生成とプロセスベースの微細構造変化キャプチャを可能にします。データの欠如と計算上の制約を解決するために、DreamBoothとLow-Rank Adaptation(LoRA)を介してモデルの重みの一部のみを微調整して、事前に訓練されたモデルを効率的に材料領域に移行します。微調整されたU-NetとVGG16エンコーダを用いたセマンティックセグメンテーションモデルにより実在性を検証し、97.1%の精度と85.7%の平均IoUを達成し、既存の方法を凌駕する。物理技術者と空間統計を使用した定量的分析は、合成と実際の微細構造との間の強力な一致を示しています。特に、2点相関と線形経路誤差はそれぞれ2.1%および0.6%未満に維持される。この方法は、プロセス認識微細構造を生成するためのSD3.5-Largeの最初の適用例であり、データベースの材料設計のための拡張可能なアプローチを提供します。

Takeaways、Limitations

Takeaways:
Stable Diffusion 3.5 Largeを利用したプロセス認識微細構造生成の新しいアプローチの提示
限られたデータでも効率的なモデル学習が可能(DreamBooth、LoRAを活用)
得られた微細構造の高い現実性(精度97.1%、平均IoU85.7%)。
物理技術者と空間統計による定量的分析による実際の微細構造との強い一致の確認
データ駆動型材料設計のための拡張可能なアプローチを提供します。
Limitations:
使用されるデータセットのサイズと多様性に関する明確な言及の欠如。
他のプロセス変数や材料システムの一般化の可能性に関するさらなる研究が必要です。
LoRAを使用したファインチューニングの制限により、非常に複雑な微細構造の作成に困難がある可能性があります。
微細構造生成の物理的現象の説明が不足している。
👍