A Comparative Benchmark of GAN, DDPM, and Flow Matching for 2D and 3D Porous Microstructures Synthesis.
本文对用于合成二维和三维多孔微结构的 WGAN-GP、DDPM 和 Flow Matching 进行了对比基准测试，指出 Flow Matching 是一种具有竞争力的方案，在结构准确性（特别是在重现孔隙率-扩散率关系方面）与计算效率之间提供了良好的平衡。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在深邃的地底，在岩石与土壤构成的隐藏世界中，水、石油和天然气的运动完全取决于颗粒之间微小孔隙的形状。这些被称为“孔隙”的微观空间并非仅仅是空隙，而是一个复杂的、蜿蜒的迷宫，决定了流体如何在地球内部流动。为了理解这种隐藏的输运过程，科学家们依赖于重建这些多孔结构的数字化模型。然而，捕捉这些地下网络真实且混沌的现实情况极其困难。用于观测它们的工具（例如强大的 X 射线扫描仪）不仅速度慢、成本高，而且通常只能对更大规模岩层中极小的、不具代表性的切片进行成像。由于获取足够多的真实样本进行研究非常困难，研究人员转向利用计算机来生成合成的岩石纹理版本，希望以此创建庞大的真实地下景观库，用于模拟与分析。
多年来，创建这些合成图像的主导方法是一种被称为“生成对抗网络”的人工智能类型。这种方法就像是两个计算机程序之间的一场高风险博弈：一个试图创造虚假的岩石纹理，而另一个则试图识破伪造。随着时间的推移，创造者模仿真实事物的技术变得如此精湛，以至于检测器再也无法分辨真伪。最近，另一类基于逐渐添加并随后移除噪声的过程的 AI 模型出现了，这非常类似于慢慢擦拭一层雾气，从而显现出图像的过程。这些较新的模型展现出了巨大的潜力，但它们需要更多的计算步骤才能生成单张图像。第三种甚至更先进的方法——“流匹配”（flow matching）也随之出现，它试图引导图像的创建沿着一条平滑、直接的路径，而不是经历一个充满噪声的逐步过程。直到现在，还没有人严格测试过这三种截然不同的方法在承担重建真实岩石复杂三维架构这一艰巨任务时，其表现究竟如何对比。
在一项新的研究中，研究人员着手对这三类竞争性的 AI 模型进行测试。他们专注于六种不同类型的地质材料，涵盖了从软粘土、碳酸盐岩到硬砂岩的范围，并使用了来自二维切片和完整三维体积的真实数据。目标不仅是看哪种模型能产生最美丽的图像，而是要确定哪一种模型能最好地还原岩石的物理现实。团队测量了每种模型在捕捉空隙量、孔隙大小，以及最关键的——在生成结构中气体扩散能力方面的表现。最后这一项衡量标准至关重要，因为一块岩石在表面上看起来可能很完美，但如果内部路径被阻塞或断开，它就会完全失效。
结果显示，虽然所有三种方法都能创造出看起来具有说服力的岩石纹理，但它们各具优缺点。较旧的对抗式方法速度最快，能够在瞬间生成新样本，但它在一致性方面表现欠佳。在某些情况下，它生成的图像过于平滑，或者未能捕捉到正确的材料混合比例，从而导致流体在模型中的运动出现误差。基于噪声的扩散法产生了高质量的图像，与真实岩石的平均结构高度匹配，但其计算成本很高，生成单个样本需要一千个步骤。这使得它既缓慢又耗费资源，限制了其在大规模研究中的实际应用。
流匹配方法成为了最具平衡能力的竞争者。它既不依赖于对抗性博弈，也不依赖于漫长的噪声步骤链。相反，它学习了从随机噪声到真实岩石结构的直接路径。在三维测试中，这种方法在重建空隙量与气体流动能力之间的关系方面表现得尤为出色。它在保持高度物理准确性的同时，所需的计算机步骤远少于扩散模型——仅需一百步，而后者需要一千步。这使得它比扩散法显著更快，同时也避免了对抗式模型中出现的一致性问题。研究结论指出，流匹配提供了一个极具吸引力的折中方案，它能在不承担缓慢方法带来的沉重计算成本的前提下，提供与真实岩石物理特性相匹配的可靠质量。
最终，这项研究表明，并没有一种单一的“最佳”工具适用于所有工作，但流匹配似乎是创建真实地下模型最有效的折中选择。对于那些需要进行数千次模拟以了解流体如何在地球中运动的科学家来说，快速生成准确的三维岩石结构是一项显著的优势。通过确定一种能够平衡速度与物理保真度的方案，这项工作为数字岩石物理学提供了一条更清晰的前行之路，使研究人员能够以更高的信心、更少的计算负担去探索地下世界的复杂奥秘。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。