通过机器学习加速微观结构建模：一种结合自编码器与 ConvLSTM 的新方法
材料科学
2023-08-08 v1
摘要
相场建模是一种优雅且通用的计算工具，用于预测介观尺度下材料的微观结构演化。然而，这些模拟需要对微分方程进行严格的数值求解，虽然精确但计算代价高昂。为克服这一困难，我们结合两种流行的机器学习技术——自编码器（autoencoder）和卷积长短期记忆（ConvLSTM）——来加速微观结构演化的研究，且不牺牲微观结构表征的分辨率。在用十个已知成分的相场生成微观结构训练后，该模型能基于前 m 帧准确预测未知成分未来第 n 帧的微观结构。用机器学习得到的微观结构替代 n 步相场计算，可显著加速微观结构演化的计算机模拟研究。
引用
@article{arxiv.2305.00938,
title = {Accelerating microstructure modelling via machine learning: a new method combining Autoencoder and ConvLSTM},
author = {Owais Ahmad and Naveen Kumar and Rajdip Mukherjee and Somnath Bhowmick},
journal= {arXiv preprint arXiv:2305.00938},
year = {2023}
}