チームの最近の成果：FAGCに基づくCu-Cr-Zr合金の微細組織と性能の関係

私たちのチームは、上海大学コンピュータ工学・科学学院を第一所属機関として、『Physica B: Condensed Matter』（IF：3.2）に論文「Revealing the structure–property relationships of copper alloys with FAGC」を発表しました。本論文は、少数サンプル条件下におけるCu-Cr-Zr合金の微細組織、電気伝導率、硬度の定量的関係に焦点を当て、深層学習、形状空間理論、特徴拡張、疑似ラベル学習を統合した材料特性予測フレームワークを提案した。

Cu-Cr-Zr合金は、高い電気伝導率、強度、熱安定性を兼ね備えており、集積回路用リードフレーム、抵抗溶接用電極、高速鉄道用トロリ線、核融合炉用ヒートシンク部品などに広く使用されている。しかし、合金の強度と電気伝導率は一般に相互に制約し合い、その性能は組成、熱処理プロセス、結晶粒径、析出相分布などの影響を同時に受ける。従来の材料研究は、試料作製、微細組織観察、性能試験に依存するため、実験期間が長く、コストも高い。また、微細組織画像が少数しか得られない場合、深層学習モデルが過学習しやすく、微細組織と性能の関係を正確にモデル化することが困難となる。

これらの問題に対し、本論文では測地線曲線上の特徴拡張手法FAGC（Feature Augmentation on Geodesic Curve）を導入し、Cu-Cr-Zr合金の電気伝導率と硬度を予測するフレームワークを構築した。まず、EfficientNet-B6を用いて合金の微細組織画像から深層特徴を抽出し、プレシェイプ空間へ射影する。次に、サンプルの特徴分布に測地線曲線を適合させて新たな特徴サンプルを生成し、微調整した回帰モデルによって疑似ラベルを付与する。最後に、元の特徴・ラベル対と生成した特徴・疑似ラベル対を用いて下流の回帰モデルを学習し、多数の実験試料を追加作製することなく学習データを拡張する。

本論文では、電気伝導率と硬度を測定した18組のCu-Cr-Zr合金の微細組織画像を用い、6分割交差検証によってモデルを評価した。各分割では15組を用いて特徴抽出モデルの微調整、測地線構築、特徴生成、疑似ラベル付与、回帰モデル学習を行い、残りの3組はテストのみに使用した。EfficientNetの各モデル、回帰モデル、生成特徴数を比較した結果、EfficientNet-B6が優れた特徴抽出能力を示し、約100個の拡張特徴と決定木回帰モデルを用いた場合に最良の総合性能を達成した。

FAGCの導入により、決定木モデルのR²は、電気伝導率予測では0.609から0.978へ、硬度予測では0.638から0.998へ向上した。また、電気伝導率と硬度予測のRMSEはそれぞれ1.9と2.0に低下し、測地線特徴拡張と疑似ラベル機構が材料データ不足を効果的に緩和できることを示した。t-SNEによる可視化からも、測地線曲線が実サンプルの特徴分布を良好に被覆し、生成特徴の性能変化傾向が実サンプルと一致することが確認された。

さらに、本論文では微細組織画像を16の局所領域に分割し、各領域が硬度と電気伝導率に及ぼす寄与を可視化した。その結果、微細な結晶粒、多数の析出相、または複雑な組織を含む領域は一般に高い硬度と対応し、粒界や相界が少なく均一な領域は高い電気伝導率を示すことが明らかになった。この結果は、Cu-Cr-Zr合金の局所的な微細組織と性能の関係を画像レベルで示し、強度と導電性能のトレードオフを理解するための新たな分析手段を提供する。

本研究は、形状空間理論、深層特徴拡張、機械学習回帰をCu-Cr-Zr合金の性能研究に適用し、限られた実験サンプルから電気伝導率と硬度を高精度に予測するとともに、局所的な結晶粒、析出相、界面特徴が材料特性に及ぼす影響を明らかにした。本成果は、材料科学における少数サンプルモデリングに新たな技術的アプローチを提供し、高硬度・高電気伝導率銅合金の組成・プロセス制御および性能最適化に有用な知見を与える。

論文リンク：Revealing the structure–property relationships of copper alloys with FAGC