【Acta Materialia】基于条件连续归一流的微结构逆向设计

单位：科罗拉多矿业学院

期刊：Acta Materialia（2025年第285卷）

DOI：10.1016/j.actamat.2024.120704

作者：Hossein Mirzaee, Serveh Kamrava

关键词：微结构重构；逆向设计；多孔介质；生成式人工智能；材料设计与发现

文章核心结论

提出了一种基于**条件连续归一流（Conditional Continuous Normalizing Flow, CNF）**的生成式框架PoreFlow，能够在目标物理属性约束下高效生成三维多孔介质微结构，实现稳定、可控且高精度的逆向材料设计。

研究背景与科学问题

微结构逆向设计是材料科学中的核心难题，要求从期望的材料性能反推出结构特征。然而，由于微结构的高维随机性和复杂性，传统数值模拟与优化方法计算量巨大。

现有深度学习模型（如VAE、GAN、扩散模型等）虽取得进展，但存在训练不稳定、模式崩溃或计算成本高等问题。本研究旨在开发一种既能稳定训练，又能按需控制目标性能的逆向设计框架。

技术原理与创新点

基于**连续归一流（CNF）**的可逆生成模型，用常微分方程（ODE）描述潜空间分布的连续变换。

引入物理属性向量作为条件变量，对潜空间进行调控，实现“以性能为导向”的生成。

采用**卷积自编码器（CNN-AE）**提取低维潜特征，并结合CNF和回归网络形成端到端可训练体系。

与GAN/VAE相比，避免了对抗训练不稳定与后验近似误差，获得稳定、精确、可解释的生成机制。

实验验证与性能

使用公开的DeePore数据集（包含上万组三维多孔介质图样及其物理属性）进行训练与验证。

在图像重构中，5个目标属性的预测 R2 > 0.915R2>0.915

在条件生成中，模型生成样本与设定目标的属性 R2 > 0.92R2>0.92

，并显著优于传统GAN方法。

PoreFlow生成的微结构在形态与统计分布上均与真实样本高度一致，且训练稳定、无模式坍塌现象。

学术贡献

提出首个基于条件CNF的三维微结构逆向生成框架。

实现性能可控的高保真图像生成，为结构–性能映射反求提供新路径。

引入轻量计算策略，显著减少传统流模型在高维数据上的训练成本。

为多尺度材料设计、拓扑优化和数据增强提供通用范式。

局限性与未来方向

当前模型尚未考虑制造可行性与工艺约束。

后续将探索与多尺度拓扑优化结合，用于功能化材料和流体传输系统设计。

CNF模型的高维ODE计算仍有提升空间，未来可尝试稀疏或分块技术以提升效率。

总结

PoreFlow通过将连续归一流与卷积自编码网络结合，开创性地实现了在物理属性约束下的微结构自动生成。

这一方法不仅展示了生成式AI在材料设计中的强大潜力，也为可控、稳定、可解释的逆向设计提供了新范式，对材料学者与工程师均具启发意义。

图文赏析（部分示例）

图1.PoreFlow模型架构示意图：

(a) 训练阶段：自编码器学习图像与潜空间映射，CNF根据物理属性调整分布；

(b) 生成阶段：目标属性和高斯噪声共同驱动生成新的低维潜向量，经解码得到微结构图像。

图5.三个代表性样本的真实、重构与生成结果比较：生成样本在孔隙形态和分布特征上与原始数据高度一致。

图8.条件生成过程中图像的连续演化：一个潜向量在归一流动力演化下逐步转化为满足目标属性的最终微结构。