[1Yin-A] Poster 1

[1Yin-A-53] Synthetic Generation of Segmented Microstructures of MoSiBTiC Alloys

〇Shunto Obana¹, Chihana Kudo¹, Shugo Tomioka², Takahiro Kaneko³, Kyosuke Yoshimi³ (1. Tohoku Univ. Eng. (Grad.), 2. Tohoku Univ. Eng. (Undergrad.), 3. Tohoku Univ. Eng.)

Keywords:

Materials Informatics,MoSiBTiC Alloy,Microstructure Generation,VQGAN,Transformer

近年，材料開発の高効率化に向け，深層学習を用いて組成や熱処理条件などのプロセス情報からミクロ組織を推定する手法が検討されている．しかし，学習に用いる組織画像は装置状態や撮影条件によりコントラストが変動するため，データ品質のばらつきが推定精度低下の一因となり得る．また，推定結果を有限要素法などのミクロ組織解析に応用し，高精度な解析を行うには，局所構造から大域構造に至る特徴を適切に捉えたミクロ組織の生成が求められる．そこで本研究では，品質差の影響を低減するため，相ごとにセグメンテーションしたミクロ組織を学習対象とし，相分布を高精度に再構築・生成する枠組みを提案する．試料には，次世代の超耐熱材料として期待され，多相で複雑なミクロ組織を有するMoSiBTiC合金を用いる．本枠組みでは，画素単位の多クラス分類としてモデル化したVQGANにより再構築を行い，さらに組成情報に基づく条件付き生成を可能にするTransformerを導入した．再構築・生成結果は，UMAPにより得た低次元空間における分布の比較により評価した．