Predicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning

技術要約：FATIGUECV – 物理学に基づいたディープラーニングを用いた顕微鏡写真からの鋼材疲労寿命予測

問題提起
従来の構造用鋼の疲労寿命（$N_f$）の評価は、1検体あたり50〜500時間を要する破壊的な荷重制御型S–N試験に依存している。このタイムスケールは、軽量化が重要な分野（自動車、鉄道、航空宇宙）における迅速な品質管理において、実用性を損なわせるものである。光学顕微鏡による観察は、疲労の微視的な要因（結晶粒構造、亀裂形態、空隙など）を捉える日常的な品質管理ステップであるが、これらの定性的な視覚データを、定量化され校正された疲労寿命の推定値へと変換する確立された手法は現在存在しない。さらに、疲労に関する既存の機械学習アプローチは、通常、表形式の入力（組成、機械的特性）に依存しているか、あるいは安全性確保に不可欠なサンプルごとの不確実性定量化を提供できていない。

手法：FATIGUECV パイプライン
著者は、光学顕微鏡写真から $\log_{10}(N_f)$ とサンプル固有の不確実性を直接推定するエンドツーエンドのコンピュータビジョンフレームワークである FATIGUECV を提示している。このパイプラインは、以下の4つの連続するレイヤーで構成されている：

1. 合成データ生成：
   顕微鏡写真と正解の疲労寿命を組み合わせた公開データセットが不足しているため、著者は物理学的に制約された合成ジェネレーターを開発した。これは、ボロノイ図を用いた結晶粒構造、亀裂進展のための相関ランダムウォーク、およびポアソン分布に従う空隙を用いて顕微鏡写真をシミュレートする。ラベルは、亀裂の深刻度、空隙率、結晶粒径（ホール・ペッチの関係）、および介在物密度に、固有の材料散らつきを加味した物理学に基づいた回帰式（式1）を介して割り当てられる。

2. 7段階の前処理（OpenCV）：
   光学金属組織学に特有のアーティファクトを除去するために、専用のパイプラインが生の顕微鏡写真をクリーニングする。段階は以下の通り：

   • 品質管理ゲート（ラプラシアン・ブラー、SNR）。
   • スケールバーを除去するための境界部クロッピング。
   • 非局所平均ノイズ除去（エッジの鋭さを維持）。
   • 照明補正のためのローリングボール背景減算およびCLAHE。
   • 亀裂強調のための多方向ブラックハット形態学およびScharr勾配融合。
   • シャープニングおよび $224 \times 224$ px へのリサイズ。
   • 結果： この段階により、亀裂検出の再現率（Recall）が61%から89%に向上し、照明の均一性が54%改善された。

3. 物理学に基づいた特徴抽出：
   各画像は、疲労力学から明示的に導出された28次元の特徴ベクトル（$x \in \mathbb{R}^{28}$）にマッピングされる。特徴量は5つのカテゴリに分類される：亀裂形態（数、長さ、分岐）、結晶粒構造（サイズ、分布）、空隙率（空隙率）、テクスチャ（GLCM指標）、および勾配/フラクタル特性（フラクタル次元 $D_f$）。

4. デュアルヘッドCNN回帰：
   システムは、2つの出力ヘッドを持つ畳み込みニューラルネットワーク（SE-CNN、ResNet-50、VGG-16のバックボーンでテスト済み）を採用している：

   • 平均ヘッド ($\hat{\mu}$): $\log_{10}(N_f)$ を予測。
   • 対数分散ヘッド ($\hat{s}$): $\log \hat{\sigma}^2$ を予測し、サンプル固有の偶然的不確定性（Aleatoric Uncertainty）を符号化する。
   • 学習目的関数: ネットワークは**ガウス負の対数尤度（GNLL）**損失を用いて学習される。これにより、モデルは入力に応じて分散が適応する（例：散らつきの大きい損傷の激しい検体に対して高い不確実性を示す）ヘテロスケダスティックな不確実性を学習することが可能となる。

主要な結果
保持された合成テストセット（200枚の画像）で評価：

• 回帰性能: ResNet-50 アーキテクチャが、$R^2 = 0.93$、RMSE = 0.18 log-cycles、MAE = 0.14 という最高の性能を達成した。これは、SE-CNN ($R^2=0.88$) や VGG-16 ($R^2=0.91$)、および先行文献の表形式サポートベクター回帰ベースライン ($R^2=0.87$) を上回った。
• 不確実性の校正: GNLL目的関数は、MSEベースラインと比較して校正を大幅に改善した。期待校正誤差（ECE）は、0.089 (MSE) から 0.021 (GNLL) へと低下し、76%の減少を示した。公称95%信頼区間は、経験的にテストサンプルの93.8%を包含していた。
• リスク分類: システムはサンプルを4つのリスクティア（LOWからCRITICAL）に分類し、マクロF1スコア0.91を達成した。Criticalティアの再現率は0.90であった。
• 説明可能性: Grad-CAM分析により、ネットワークが冶金学的に意味のある特徴に注目していることが確認された。アテンションマップは、結晶粒界（LOWリスク）から、亀裂核生成サイト（MEDIUM）、亀裂先端（HIGH）、そして広範な亀裂ネットワーク（CRITICAL）へと遷移しており、確立された疲労損傷段階（Suresh, 1990）と一致している。
• 効率性: 推論時間は画像1枚あたり65ミリ秒未満である。

意義と主張
本論文は、FATIGUECVを、即座に実世界の鋼材に展開可能なソリューションとしてではなく、**手法の概念実証（Proof of Concept）**として位置づけている。著者は、すべての結果が、その正解がシミュレーションの物理学によって定義された合成ベンチマークから得られたものであることを明示している。

主な貢献は以下の通りである：

1. 不確実性を伴う初の画像・寿命回帰: 顕微鏡写真から疲労寿命へのエンドツーエンドの回帰を同時に行い、かつ校正されたサンプルごとの不確実性境界を提供する初のシステムである。
2. 物理学に基づいた帰納バイアス: 疲労力学から導出された28次元の特徴ベクトルとGNLL損失関数の統合により、画像から既知の物理学的関係を復元するという強力な帰納バイアスを生み出している。
3. 金属組織学に特化した前処理: 光学顕微鏡のアーティファクトに特化した独自の7段階パイプラインにより、特徴の可視性を大幅に向上させた。
4. オープンソースの合成ベンチマーク: 再現可能なベンチマークおよび将来のドメイン転移研究を可能にする、設定可能な物理ラベル付き合成データジェネレーターの公開。

限界と今後の課題
著者は、現在の範囲における4つの主要な限界を挙げ、謙虚に述べている：

1. 合成から実物へのギャップ（Synthetic-to-Real Gap）: モデルは実際の鋼の顕微鏡写真ではテストされていない。ドメイン適応（例：スタイル転送）および物理検体による再検証が必要である。
2. 材料の範囲: パイプラインは炭素鋼および低合金鋼向けに調整されており、他の合金（Ti, Al）には設計の変更が必要である。
3. 2次元投影: 光学顕微鏡では内部の欠陥を検出できない。3次元モダリティ（X線CT）との統合が計画されている。
4. 包括的な予測: 本モデルは全寿命（$N_f$）を予測するものであり、核生成相と進展相を分離するものではない。

本論文は、手法がシミュレーション条件下で妥当であることを示しているものの、直近のステップは、予測の妥当性を検証するための実環境サンプルを用いたドメイン転移研究であると結論付けている。