基于潜在空间插值的数据学习驱动微观结构演化预测
材料科学
2025-10-30 v1 人工智能
摘要
相场模型能够准确模拟微观结构的演化，但其依赖于求解复杂微分方程，使得计算成本高昂。本工作通过一种新型的深度学习方法实现了显著的加速，利用条件变分自编码器（CVAE） coupled with Cubic Spline Interpolation 和球面线性插值（SLERP）。我们以二元相分解为例，通过预测来自有限训练组成分的中等组成分的微观结构。首先，使用来自二元相分解相场模拟的微观结构训练CVAE，该模型学习紧凑的潜在表示，以编码关键形态特征。接下来，在潜在空间中使用三次样条插值来预测任何未知组成分的微观结构。最后，SLERP确保随时间平滑的形态演化，与 coarsening 过程高度吻合。预测的微观结构在视觉和统计相似性方面均与相场模拟结果高度一致。该框架为微观结构演化提供了可扩展且高效的代理模型，使材料设计和组成优化成为可能。
引用
@article{arxiv.2508.01822,
title = {Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation},
author = {Sachin Gaikwad and Thejas Kasilingam and Owais Ahmad and Rajdip Mukherjee and Somnath Bhowmick},
journal= {arXiv preprint arXiv:2508.01822},
year = {2025}
}
备注
7 figures