通过基于二维显微图的条件扩散生成模型 (DGMs) 的空间连接，我们提出了一个重建各向异性微结构的框架，该框架能够有效地将噪声转化为三维微结构样本，并且通过修改的协调抽样方法提高样本质量，同时保持各向异性微结构样本在三维空间中的空间连接。验证结果表明，该框架能够再现材料相的统计分布和三维空间中的材料性质，凸显了该二维至三维重建框架在建立微结构 - 性能关联中的潜在应用，为未来研究中的高通量材料设计提供了帮助。

Dec, 2023

使用扩散型生成模型 (DGMs) 的 2D 到 3D 映射框架 Micro3Diff，使得通过仅需预先训练 DGMs 进行 2D 样本生成，并在生成过程中进行维度扩展的方式实现了对连接切片，保持与原始 2D 图像形态等价的 3D 样本的重建，具备在集成计算材料工程应用中潜在利用价值，并突破对 DGMs 潜空间的理解和操作。

Aug, 2023

本文介绍了一种使用生成式对抗网络（GAN）生成的多视角图像数据集重建高质量纹理三维模型的方法，其具有可忽略的注释成本，并通过多阶段学习和在线伪标签生成的新颖对抗学习流水线实现了精细的细节并显著改善了之前的方法。

May, 2023

通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

Apr, 2017

本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。

Feb, 2021

本研究提出了一个基于 UniMat 的晶体结构生成方法，通过训练扩散概率模型，能够高度还原大规模和复杂化学系统的晶体结构，并且在评估指标上胜过之前基于图结构的方法，同时提出了针对材料的新评估指标，并展示了条件生成在大规模晶体数据集上的可扩展性，优于结构发现的当前方法。

Oct, 2023

我们提出了一种物理感知生成对抗网络模型 FluxGAN，能够同时生成大规模微结构的高质量图像和与之相关的热特性描述。该模型在训练阶段学习了局部结构特征与物理过程（如微结构中由温度梯度引起的热通量）之间的关系，一旦训练完成，模型生成新的结构和相应的热通量环境，避免了计算代价高昂的建模过程。我们的模型在描述微结构的热特性方面提供了一种经济高效的方法，相比传统的有限元方法等建模技术，后者需要随微结构模型的大小而增加计算量，因此限制了模拟的规模、分辨率和复杂性。相反，FluxGAN 模型采用逐部合成方法，在低计算成本下生成任意规模的图像。我们证明该模型可用于生成满足目标热特性要求的热喷涂涂层设计。此外，在训练 2D 示例后，该模型还能够生成三维（3D）域中的涂层微结构和物理过程。我们的方法有潜力改变热喷涂涂层的设计和优化，适用于各种应用，包括航空发动机或基于陆地的电力发电机的高温长时间运行。

Oct, 2023

通过研究两个不同数据集中的六种机器学习技术在材料科学领域的应用，本文分析了这些模型的准确性和稳健性，并阐明了它们性能差异的原因。研究还考察了包含领域知识的影响以及基于训练数据可用性和质量的一般建议。

Sep, 2023

本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

Apr, 2020

本研究介绍了一种计算机有效的均质化代理模型，采用变压器神经网络体系结构捕捉各种微观结构和组分的知识，预测均质化应力应变响应，以及测试了两种微观结构编码方法的性能。

Apr, 2023