机器学习材料物理：可积分深度神经网络通过学习自由能函数实现尺度桥接
材料科学
2019-06-26 v3 计算物理
摘要
系统的自由能是许多材料模型的核心。尽管自由能数据通常无法直接获得，但其导数可被观测或计算。本工作中，我们提出一种可积分深度神经网络 (IDNN)，可训练于导数数据，然后解析积分以恢复自由能的精确表示。该 IDNN 通过对具有 B2 有序化的二元合金的化学势值进行训练得到演示。所得自由能的 DNN 表示被用于相场模拟，并被发现能预测材料中反相边界的适当形成。相比之下，相同数据的 B-样条表示未能以足够保真度表征系统物理以分辨反相边界。
引用
@article{arxiv.1901.00081,
title = {Machine learning materials physics: Integrable deep neural networks enable scale bridging by learning free energy functions},
author = {G. H. Teichert and A. R. Natarajan and A. Van der Ven and K. Garikipati},
journal= {arXiv preprint arXiv:1901.00081},
year = {2019}
}
备注
23 pages, 12 figures