物理信息驱动的GCN-LSTM框架用于二维和三维微结构演化的长期预测
材料科学
2025-09-19 v1 计算工程、金融与科学
机器学习
计算物理
摘要
本文提出了一种物理信息驱动的框架，将图卷积网络（GCN）与长短期记忆（LSTM）架构相结合，以在二维和三维中对微结构演化进行长期预测，并在多种指标上取得了显著性能。该框架具有组分感知能力，在不同组分的数据集上联合训练，并在潜在图空间中运行，使模型能够捕捉组分和形态动力学，同时保持计算效率。通过卷积自编码器压缩和编码相场模拟数据，并在潜在图空间中操作，有助于对跨组分、跨维度和长期时间尺度的微结构演化进行高效建模。该框架在降低训练后的计算成本的同时，捕捉了演化微结构的空间和时间模式，并实现了长期预测。
引用
@article{arxiv.2509.15029,
title = {Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution},
author = {Hamidreza Razavi and Nele Moelans},
journal= {arXiv preprint arXiv:2509.15029},
year = {2025}
}