基于物理信息神经网络的电化学氧化膜生长点缺陷模型
材料科学
2025-10-14 v3
摘要
物理信息神经网络 (Physics-Informed Neural Networks, PINNs) 提供了一种新型人工智能驱动的框架，将物理规律直接集成到神经网络模型中，以解决材料工程中复杂的多物理问题。本研究系统性地探索了将 PINNs 应用于使用点缺陷模型 (Point Defect Model, PDM) 在无氯化物盐溶液中模拟氧化膜层生长的潜力。我们识别并分析了该上下文中的四个关键故障模式：不同物理过程之间损失组件的不平衡、由于变量尺度差异导致的数值不稳定性、在多物理系统中强制边界条件的挑战，以及收敛到数学上有效但物理上无意义解的挑战。为克服这些挑战，我们实施并验证了包括非维数化用于训练稳定、基于神经切向核 (Neural Tangent Kernel) 的自适应损失平衡、稳健的边界条件强制以及稀疏数据的混合训练等既定技术。我们的结果表明，这些策略在增强 PINNs 的可靠性和物理忠实性方面具有有效性，通过混合模型实现与有限元基准测试相比的亚 1% 相对误差。从而表明 PINNs 可用于高保真度电化学仿真，数据要求最低，且突显了实现完全自主 PINN 仿真所必需的因素。
引用
@article{arxiv.2510.02872,
title = {A physics-informed neural network approach to the point defect model for electrochemical oxide film growth},
author = {Mohid Farooqi and Ingmar Bösing and Conrard G. Tetsassi Feugmo},
journal= {arXiv preprint arXiv:2510.02872},
year = {2025}
}