利用神经算子与自编码器架构学习两相微观结构演化
材料科学
2022-07-01 v2 机器学习
计算物理
摘要
相场建模是一种有效但计算昂贵的方法，用于捕捉材料中的介观形貌与微观结构演化。因此，需要快速且可泛化的代理模型，以缓解诸如材料优化与设计中计算繁重过程的成本。由尖锐相界存在引起的物理现象内在不连续性质，使得代理模型的训练十分棘手。我们开发了一个框架，将卷积自编码器架构与深度神经算子(DeepONet)相集成，以学习两相混合物的动态演化并加速预测微观结构演化的求解时间。我们利用卷积自编码器在低维潜空间中提供微观结构数据的紧凑表示。DeepONet由两个子网络组成，一个用于在固定数量的传感器位置编码输入函数（分支网络），另一个用于编码输出函数的位置（主干网络），它从自编码器潜空间中学习微观结构演化的介观动力学。卷积自编码器的解码器部分随后从DeepONet预测中重建时间演化的微观结构。训练好的DeepONet架构可随后用于在内插任务中替代高保真相场数值求解器，或在外推任务中加速数值求解器。
引用
@article{arxiv.2204.07230,
title = {Learning two-phase microstructure evolution using neural operators and autoencoder architectures},
author = {Vivek Oommen and Khemraj Shukla and Somdatta Goswami and Remi Dingreville and George Em Karniadakis},
journal= {arXiv preprint arXiv:2204.07230},
year = {2022}
}