通过机器学习加速基于相场的模拟
材料科学
2022-05-05 v1 机器学习
计算物理
摘要
基于相场的模型已在材料科学、力学、物理学、生物学、化学和工程学中广泛用于微观结构演化的模拟。然而，当应用于大型复杂系统时，它们存在计算成本非常高的缺点。为降低此类计算成本，本工作开发了一种基于Unet的人工神经网络作为代理模型。该网络的训练输入来自基于Fan-Chen晶粒微观结构演化模型的初边值问题（IBVPs）数值解结果。具体而言，进行了约250次具有不同初始序参数的模拟，并存储了每次模拟的相场时间演化200帧。网络用其中90%的数据训练，以模拟的第帧（即序参数场）为输入，产生第帧为输出。网络评估使用由2200个基于不同于原始训练所用配置的微观结构组成的测试数据集进行。训练后的网络递归地应用于初始序参数以计算相场的时间演化。结果从序参数误差和系统自由能方面与常规数值解进行比较。所有点和所有模拟案例平均的序参数误差为0.005，所有模拟盒子中总自由能的相对误差不超过1%。
引用
@article{arxiv.2205.02121,
title = {Accelerating phase-field-based simulation via machine learning},
author = {Iman Peivaste and Nima H. Siboni and Ghasem Alahyarizadeh and Reza Ghaderi and Bob Svendsen and Dierk Raabe and Jaber R. Mianroodi},
journal= {arXiv preprint arXiv:2205.02121},
year = {2022}
}