利用傅里叶神经算子教授人工智能执行快速、分辨率无关的晶粒生长建模
材料科学
2026-04-15 v1 人工智能
计算工程、金融与科学
机器学习
计算物理
摘要
晶粒生长是微结构演化，对于塑形物理、光学和电子性质具有关键作用。传统相场建模准确地模拟这些现象，但对于大系统和细小空间分辨率计算负担重。虽然机器学习方法被用于加速仿真，但它们往往在分辨率依赖性和不同晶粒尺度下的泛化方面存在挑战。本研究引入一种新方法，利用傅里叶神经算子 (FNO) 实现微结构演化在多晶体系统中的分辨率无关建模。FNO 在傅里叶空间中工作，能够通过学习函数空间之间的映射来本质上处理不同分辨率。通过将FNO与相场方法集成，我们开发了一种在计算成本上显著降低的替代模型，同时在不同空间尺度上保持高精度。我们生成了来自相场仿真的全面数据集，采用范晶模型，捕捉晶粒随时间的演化。数据准备包括创建带时间偏移的输入输出对，允许模型基于当前和过去状态预测未来微结构。FNO 基于神经网络训练，使用微结构序列，展示了在预测长期演化方面的卓越准确性，即使对于训练期未遇见的配置和更高分辨率网格也同样如此。
引用
@article{arxiv.2503.14568,
title = {Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator},
author = {Iman Peivaste and Ahmed Makradi and Salim Belouettar},
journal= {arXiv preprint arXiv:2503.14568},
year = {2026}
}