面向预测性参数相场建模的物理感知神经算子
机器学习
2026-03-11 v1 材料科学
计算物理
摘要
通过相场模型预测材料的微观结构和形态演化计算开销巨大，尤其是在高通量参数研究方面。虽然傅里叶神经算子（FNO）在加速求解参数偏微分方程（PDE）方面显示出前景，但由于缺乏显式物理约束，可能限制其在复杂相场动力学中的泛化和长期准确性。本文发展了一种物理感知神经算子框架，用于学习参数相场PDE，称为PF-PINO。通过将相场控制方程的残差嵌入数据保真损失函数，本框架在训练期间有效地强制执行物理约束。我们对比评估了PF-PINO与基准相场问题，包括电化学腐蚀、枝晶结晶固化和析出分解。我们的结果表明，PF-PINO在准确性、泛化能力和长期稳定性方面显著优于传统FNO。本工作为相场建模提供了一个稳健且高效的计算工具，凸显了物理感知神经算子在复杂界面演化问题中发展科学机器学习的潜力。
引用
@article{arxiv.2603.09693,
title = {Physics-informed neural operator for predictive parametric phase-field modelling},
author = {Nanxi Chen and Airong Chen and Rujin Ma},
journal= {arXiv preprint arXiv:2603.09693},
year = {2026}
}