重绘多孔世界的蓝图：GAN助力多孔材料的数字重构

在地质、材料、电化学等领域，针对岩层、骨骼、电池等多孔材料的数字重构具有重要作用，重构质量的优劣会直接影响后续针对多孔材料的介质结构、流体流动行为等方面的分析。

多孔材料的数字重构传统上采用3D成像、统计重建等方法。但随着深度学习、尤其是生成对抗网络（GAN）的应用，多孔材料的数字重构在方法和效果上出现了根本变化。

来自英国利兹大学和曼彻斯特大学的研究人员近期发表了一篇综述性论文[1]，对2017年至2026年间的有关GAN应用于多孔材料数字重构的96篇论文进行了总结。

该论文将GAN用于多孔材料数字重构的架构和方法归纳为六类：

用于多孔材料数字重构的GAN架构分类[1]

上述六个分类涵盖了早期的GAN基线模型、处理Multi-Scale（多尺度）特征的改进架构、能够控制数字重构质量的架构等主要技术范式。相关技术的主要进展体现在以下几个方面[1]：

精度的提升‌：早期的GAN所生成的样本在Porosity（孔隙率‌）误差上可达到‌1%‌以内；‌较新的研究成果可将这一误差缩小到0.1--0.3%；
规模的提升‌：GAN所生成样本的Voxel Volume（体素‌体积）从早期的‌64^3增长到了近年的‌2200^3；
架构的改进：早期的GAN面临Mode Collapse（模式坍塌）、Gradient Instability（梯度不稳定）等问题，这些问题推动了后续WGAN-GP‌、Hinge Loss‌等损失函数的研究和应用；
数据需求的减少‌：SliceGAN及衍生研究成果可根据2D图像生成3D结构，从而降低了对成本较高的3D训练数据的依赖；DA-VEGAN可在仅有‌16条样本数据的情况下达到良好的训练效果；FastGAN与CycleGAN的组合可在仅有‌约100组Unpaired（不成对的）样本数据的情况下生成数千条岩石数据；
可控性的增强‌：‌通过对GAN的架构、训练等方面进行改进，可以在生成的材料结构中更好地实现对Porosity（孔隙率‌）、Permeability（渗透率）、Geological Depth（地质深度）等变量的控制。

上述论文也指出了GAN用于多孔材料数字重构仍然面临的诸多挑战，包括[1]：

计算资源、计算规模上的约束‌：涉及注意力机制、3D、以及Multi-Scale（多尺度）的模型在训练时往往严重依赖GPU资源；计算的复杂度仍然约束‌着大规模数字重构的实现；
缺乏统一的评估体系‌：不少研究团队采用的评估指标和基准数据集缺乏领域内的广泛认可，尚未成为标准，从而影响了不同架构和方法的直接比较；未来应建立起针对生成质量和计算效率的、跨材料种类的标准化评估体系‌；
物理一致性‌问题：生成的材料结构应该在物理特性方面尽可能贴近实际，然而目前多数GAN模型仅从统计层面，对所生成材料结构进行物理特性真实性的优化，而将物理法则‌直接嵌‌入到模型架构和损失函数中的做法尚不多见；如果能较好地实现这后一点，则意味着重要突破------生成的材料结构不仅在统计层面具备逼真性，更在物理层面具有可实现性；
不确定性如何量化尚不成熟‌：GAN模型在本质上具有不确定性；不确定性如何影响所生成的结构、特性、以及生成结果的置信区间，尚处于早期探索阶段。

1\] A Decade of Generative Adversarial Networks for Porous Material Reconstruction [https://arxiv.org/abs/2603.11836](https://arxiv.org/abs/2603.11836 "https://arxiv.org/abs/2603.11836") 使用许可协议：CC BY 4.0 [https://creativecommons.org/licenses/by/4.0/](https://creativecommons.org/licenses/by/4.0/ "https://creativecommons.org/licenses/by/4.0/") 封面图：Danielle Barnes、Unsplash