チームの最近の成果：深さ学習を用いてAl 2 O 3をドープした正方晶YSZコーティングの熱伝導率を予測

我々のチームは、国際定期刊行物『Journal of the European Ceramic Society』（IF：5.7、中央科学院1区）に論文「Thermal Conductivity Prediction of Al 2 O 3-Doped Tetragonal YSZ Coatings Using Deep Learning」を発表した。同論文は上海大学コンピュータ工学・科学学院が第1単位、陳僑川が第1著者、韓思凡が第2著者、宋雪梅が第3著者、韓越興と曽毅が共同通信著者である。

深さ学習に基づいて材料画像の性能を予測することは、データの希薄化と材料画像を同時に抽出できない局所的な特徴と大域的な特徴及び発見的な特徴との関連性などの問題に直面している。材料分野では、製造コスト、商業保護などの要因により自然シーン画像を取得するようにデータを一括取得することができず、データ量不足により深さ学習モデルを材料分野に直接適用することが困難になっている。一方、自然なシーン画像と異なり、材料画像は自身の特性のため、非常に細かく複雑なテクスチャ構造を持つことが多い。また、マクロ性能は局所的なミクロ構造の影響を受けるだけでなく、特徴と特徴の間の関連、構造間の相互作用、すなわちグローバルな特徴と同様に非常に重要である。既存のほとんどの深さ学習方法は、自然シーン画像に優れた表現を持つCNNモデルを直接材料分野に応用し、的確な最適化をしていないが、CNNは固定的な畳み込み核サイズのため、感受野が制限され、画像の局所的な特徴しか抽出できず、大域的な特徴を無視することが多い。そのため、アルゴリズムはデータ量が不足しているため、訓練が不足しているため、局所的な特徴と大域的な特徴を同時に抽出することができず、予測精度が不足し、ロバスト性が悪いという問題を引き起こしている。これらの問題を解決するために、本文は二重構造特徴抽出とマルチスケール注意力融合ネットワーク（RCFNet）を提案した。このモデルはグローバル特徴抽出モジュールとローカル特徴抽出モジュールの二分岐構造を採用し、材料画像のグローバル特徴とローカル特徴を独立に抽出し、それぞれの特徴のオリジナルモデリングを破壊しない。提案したマルチスケール注意力融合モジュール（Merge）により、各スケールで抽出されたグローバル特徴と局所特徴を融合し、融合モジュールは前の融合結果の情報を蓄積する。最終的な融合特徴はFCNNに送られて処理され、予測結果が得られる。下図はマルチスケール集中力融合モジュールの構造概略図である。

各スケールにおける大域的特徴と局所的特徴については、まずSCSE注意メカニズムを採用し、チャネルと空間の2次元における重要な情報を同時に励起して、最も重要な特徴を際立たせ、顕著な重みを割り当てる。次に、グローバル意味を持つグローバル特徴はチャネル注意メカニズムによってさらに処理され、ローカル意味情報を持つローカル特徴は空間注意メカニズムによってさらに処理される。その後、高次元空間マッピングと非線形変換を行い、現在の段階の融合結果を得た。提案した方法は材料画像の局所と大域特徴抽出を両立し、その中でMergeモジュールは特徴に対して多段融合を行い、多注意力は持続的に重要な特徴に焦点を当て、ノイズ情報を抑制し、情報損失を減少し、そしてモデルの大量の訓練データへの依存を低減する。サンプルが希少な材料画像の分野でも、非常に顕著な予測結果が得られた。

論文へのリンク：Thermal Conductivity Prediction of Al2O3-Doped Tetragonal YSZ Coatings Using Deep Learning

私たちのコードと論文は、以下の場所で公開されています：https://github.com/han-yuexing/RCFNet_Conv_Resnet50_MHSA/tree/main