物理引导的全卷积时空学习:面向数字孪生赋能的微观结构演化预测

《Computational Materials Science》:Physics-guided fully convolutional spatiotemporal learning toward digital-twin-enabled microstructure evolution prediction

【字体: 大 中 小 】 时间:2026年09月21日 来源:Computational Materials Science 3.7

编辑推荐:

   • 开发了一种物理引导的全卷积时空代理模型,用于快速预测微观组织演化。 • 集成Cahn–Hilliard残差正则化,以改进物理一致的相场预报。 • 实现了更精确的长时程、高分辨率、以及低上下文旋节分解预测。 • 实现了快速、可扩展、无需求解器的推理,以推进数字孪生驱动的材料

  

• 开发了一种物理引导的全卷积时空代理模型,用于快速预测微观组织演化。
• 集成Cahn–Hilliard残差正则化,以改进物理一致的相场预报。
• 实现了更精确的长时程、高分辨率、以及低上下文旋节分解预测。
• 实现了快速、可扩展、无需求解器的推理,以推进数字孪生驱动的材料建模。

引言

微观组织演化是计算材料科学中的核心问题,因为相、晶粒、界面和畴的空间组织强烈影响材料的最终性能和特性。在加工和使用过程中,微观组织通过热力学驱动和动力学受限的机制发生演化,导致形貌、连通性、界面几何特征和特征长度尺度发生变化[1]、[2]、[3]。准确预测这些变化对于理解"工艺–微观组织–性能"关系以及实现加速材料设计至关重要。在众多微观组织演化形式中,旋节分解是一种典型的相分离过程,其中均匀的二元混合物在淬火至热力学不稳定区域后自发分离为成分不同的畴[4]、[5]。该演化过程涉及成分涨落的放大、扩散界面的形成以及随后相分离畴的粗化。由于所得形貌直接影响材料的宏观行为,旋节分解已成为研究非线性图案形成、扩散驱动粗化和相场微观组织演化的重要模型问题[1]、[4]、[6]、[7]。

相场模型为模拟此类过程提供了物理严格的框架[1]、[3]、[8]。特别是,Cahn–Hilliard(CH)方程描述了由化学自由能最小化和界面能效应驱动的守恒浓度场的演化[4]。该公式自然地捕捉了扩散界面、拓扑变化和长时间粗化行为,而无需显式追踪相边界。然而,高保真相场模拟需要在精细空间网格和长时间跨上反复求解非线性四阶偏微分方程。当模拟需要多次重复以进行参数研究、不确定性量化、逆向设计、工艺优化或数字孪生驱动的材料设计时,这一计算成本成为主要瓶颈。

大量工作致力于降低这一计算负担。一个方向是通过高性能计算、自适应数值方法、高效时间积分和并行实现来提高基于物理的模拟本身的效率[9]、[10]、[11]、[12]。这些方法保留了控制方程,因此具有强物理保真度。然而,它们仍需要在整个计算域上求解底层非线性偏微分方程,在高分辨率、长时间或多次查询的模拟场景下,成本仍然可观。因此,虽然先进的求解器对于生成可靠的参考数据不可或缺,但对于反复预报和快速决策工作流程可能过于昂贵。第二个方向是开发数据驱动的代理模型,直接从模拟数据中学习微观组织演化[13]、[14]、[15]、[16]、[17]、[18]、[19]。这些方法旨在用神经网络推理替代反复的数值时间积分。循环时空架构,包括ConvLSTM类模型[20]、PredRNN++[21]和E3D-LSTM[22],已被用于预测相场微观组织演化,并在晶粒生长和旋节分解等基准问题上展示了令人振奋的性能[15]、[16]、[18]、[19]。通过在时间上传播隐藏状态,循环模型天然地表征了序列动力学。然而,这种序列结构限制了时间上的并行化,增加了长时间程预测的推理延迟,并可能在递归展开过程中引入累积的隐藏状态漂移。当代理模型用于高通量预报、参数扫描或集成到数字孪生流程时,这些局限性尤为突出。

其他代理建模范式也已被探索用于偏微分方程驱动的材料动力学。基于自编码器的潜空间模型将高维微观组织场压缩为低维表示,并在潜空间中学习演化[16]、[19]。这类模型可以提高计算效率,但压缩步骤可能会移除对形貌敏感演化重要的精细界面信息。神经算子方法,包括傅里叶神经算子,学习函数空间之间的映射,可以为某些参数化偏微分方程提供强大的泛化能力[17]、[23]。然而,全局谱表示可能不那么自然地与由局部界面运动、液滴粗化和非均质形貌变化主导的微观组织演化相契合。图神经网络通过另一种视角,将晶粒、粒子或微观组织特征表示为节点和边[24]。虽然这种表示可以编码拓扑关系,但它通常需要特征提取、图构建以及随微观组织演化而进行的动态图更新,这会使直接的密集场预测变得复杂。

物理信息和物理引导的神经网络方法为将控制方程融入学习提供了更具原则性的途径。物理信息神经网络(PINNs)通过损失函数强制执行偏微分方程残差,已成为科学机器学习中具有影响力的框架[25]。然而,直接将PINN类公式应用于高维相场微观组织演化仍然具有挑战性。CH方程是非线性的、四阶的,且涉及扩散耦合;在密集图像序列上评估强形式残差在计算上可能非常昂贵,特别是当目标不是求解单个初边值问题,而是在多条轨迹上学习可复用的预报模型时。此外,标准PINN通常是为连续坐标下的解近似设计的,而微观组织代理建模通常需要在密集图像网格上进行快速多帧预测。因此,虽然物理信息学习为实现物理一致性提供了自然路径,但其与高效、高通量时空预报的集成仍然非平凡。

最近,全卷积时空模型为循环预报提供了一种高效的替代方案。诸如SimVP[26]和SimVPv2[27]等架构用卷积时空平移替代了顺序的隐藏状态传播,使得未来帧可以通过直接且高度并行的前向传播来预测[27]。文献[28]中的近期研究表明,全卷积、非循环的时空模型能够准确预测晶粒生长和旋节分解,能够从低分辨率训练数据泛化到更高分辨率的模拟,并且与循环基线相比大幅降低了推理成本。然而,该先验框架仍然是纯粹数据驱动的:模型主要训练以最小化预测与参考微观组织场之间的图像级差异。虽然这种策略可以产生相当准确的预报,但它没有显式约束所学习到的动力学满足控制相场方程。这一局限性对于旋节分解尤为重要,因为旋节分解受严格的物理结构支配,包括质量守恒、化学势驱动扩散、界面能以及非线性粗化动力学。代理模型可能实现了低均方根误差(RMSE)或高结构相似性指数(SSIM),同时仍然产生逐渐偏离物理可容许演化的轨迹。这些偏差在像素级可能很微妙,但在长时程展开、低上下文预测、粒子统计、曲率分布和粗化趋势中会变得显著。因此,关键挑战已不再仅仅是神经网络能否高效地预报微观组织图像,而是它能否在做到的同时保持与支配演化的热力学和动力学规律一致。这一观察动机促成了本工作的开展。我们没有将微观组织预报视为纯粹数据驱动的预测问题,而是开发了一种物理引导的全卷积时空学习框架用于旋节分解预测。所提方法保留了轻量级全卷积骨干网络的计算优势,同时通过物理引导的正则化项将控制CH方程纳入训练目标。这样,模型不仅被鼓励匹配参考模拟数据,还被鼓励产生与底层相场动力学更加一致的未来微观组织序列。重要的是,物理引导仅在训练期间引入;在推理时,预测仍然通过直接的全卷积前向传播完成。

因此,本研究的主要贡献不在于提出新的相场求解器,也不仅仅是在旋节分解上的又一个深度学习基准。相反,我们解决的是高效数据驱动预报与物理可靠的代理建模之间的特定差距。所提框架结合了全卷积时空学习的速度和可扩展性与基于CH动力学的方程驱动物理引导。这一设计旨在保留反复预报所需的实际效率,同时减少纯粹数据驱动长时程预测中可能产生的物理漂移。本研究的目标有三方面。第一,我们探究与纯粹数据驱动的全卷积基线相比,CH引导的训练是否提高了全卷积时空模型对旋节分解的预测保真度。第二,我们评估物理引导是否改善了长时程稳定性,特别是当模型通过迭代展开在标称预测窗口之外使用时。第三,我们评估所提模型在减少时间上下文时是否保持鲁棒性,即未来演化必须从有限的输入观测中预测。数值实验表明,所提物理引导模型持续改进了相对纯粹数据驱动基线的预测性能。改进在扩展时程和低上下文设置中尤为明显,物理引导模型更好地保持了演化中的形貌并减少了长时间漂移。除了RMSE和SSIM等标准图像级指标外,我们还评估了物理感知的量,包括粒子半径、粒子数量、界面曲率分布以及被追踪粒子的生长和收缩行为。这些结果表明,物理引导的收益超出了视觉相似度,实现了更有意义的物理粗化趋势的忠实再现。

本文其余部分组织如下。第2节介绍CH相场公式和用于物理引导的残差公式。第3节呈现所提物理引导的全卷积时空学习框架。第4节描述相场数据集、模型训练过程和评估指标。第5节呈现数值结果,包括短时程预测、长时程展开、低上下文预报、基于物理的统计评估和计算效率。第6节讨论所提方法的含义和局限性,并以未来研究方向作为论文结论。

章节摘要

相场模型与残差公式

在本工作中,我们采用CH相场公式来建模旋节分解。控制方程定义了浓度场的物理演化定律,并为物理引导的学习公式提供了基础。我们不是修改相场模型本身,而是将控制方程重构为残差约束,以便在训练期间对预测的微观组织序列进行评估。本节介绍CH模型,定义时空预测……

物理引导的全卷积时空学习框架

第2节中的残差公式提供了一种评估预测的微观组织序列是否与控制的CH动力学一致的方法。在本节中,我们描述如何使用该残差来训练全卷积时空预测模型。所提框架保留了全卷积时空学习的高效直接预报结构,同时在训练期间使用CH残差作为额外的物理引导正则化项。

相场模拟数据集

训练和评估数据由先前发表的相场模拟数据集[15]组成,提供了旋节分解的微观组织演化真值。为了验证鲁棒性和可重复性,在相同的物理和数值设置下进行了额外的模拟。对大多数实验的控制方程、模型参数或数值求解器未作修改。关于修改模型的实验细节……

数值结果

在本节中,我们评估所提物理引导的全卷积时空框架在旋节分解中的应用。实验设计用于评估短期预报精度和长时程外推能力,以及物理统计性质的保持情况。我们将结果与基线全卷积时空框架(无物理引导的SimVPv2)和在同一数据上训练和测试的E3D-LSTM模型进行比较。

讨论与结论

本工作提出了一种用于微观组织演化预测的物理引导全卷积时空学习框架。所提方法源于弥合高效数据驱动预报与物理一致的相场代理建模之间差距的需求。纯粹数据驱动的时空模型可以实现强大的图像级预测精度,但它们并没有被显式正则化以保持与控制物理演化定律一致。对于……

CRediT作者贡献声明

Michael Trimboli:写作 – 审阅与编辑,写作 – 初稿,可视化,验证,软件,方法论,调查研究,形式分析,数据整理,概念化。Wenxi Liu:写作 – 审阅与编辑,方法论,调查研究。Xianqi Li:写作 – 审阅与编辑,写作 – 初稿,指导,软件,资源,项目管理,资助获取,概念化。

生成式AI及AI辅助技术在稿件准备过程中的声明

在准备本工作期间,作者使用了ChatGPT以提高语言和可读性。在使用该工具/服务后,作者对内容进行了审阅和编辑,并对出版内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本论文中报告的工作的已知竞争性财务利益或个人关系。

致谢

X. Li的工作部分由国家科学基金会数学科学司资助,资助编号2410678。

Michael Trimboli | Wenxi Liu | Xianqi Li
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号