Material dynamics analysis with deep generative model

Duc-Anh Dao

doi:10.1039/D5DD00277J

Material dynamics analysis with deep generative model

2025-10-21

0

OA

AI

DOI：10.1039/D5DD00277J

原文链接

查看原文

摘要

En 中文

理解纳米尺度材料演化——包括相变、结构变形和化学反应——在动态条件下的情况仍然是材料科学中的一个基本挑战。尽管先进的成像技术能够可视化转变过程，但它们通常仅捕获特定时间间隔的离散时间观测。因此，捕获图像之间的中间阶段和替代路径往往仍未解决，导致在分析材料动力学和转变机制时引入模糊性。为解决这些局限性，我们提出了一种基于深度生成模型的分阶段框架，用于概率性重建中间转变。我们的框架基于以下假设：训练用于再现实验图像的生成模型，本质上捕获了产生这些观测的动态过程。通过将这些训练好的生成模型集成到蒙特卡罗模拟中，我们生成了合理的转变路径，插值了未观测到的中间阶段。这种方法能够提取有意义的见解并统计分析材料动力学。本研究还评估了该框架在三种现象中的适用性：钽测试图表转换、聚乙烯醇溶液中金纳米粒子的扩散以及铜硫化在异质橡胶/黄铜复合材料中。生成的转变紧密再现了实验观测，同时揭示了先前未被认识到的动态行为以供未来实验验证。这些发现表明，学习到的生成模型编码了具有物理意义的连续性，能够在稀疏观测约束下实现未观测中间状态的统计插值和转变模式的分类。

Material dynamics analysis with deep generative model

摘要

AI总结

期刊

机构

引用论文