利用纯卷积神经网络实现相场模拟的时空外推
计算工程、金融与科学
2026-02-10 v2 人工智能
计算机视觉与模式识别
机器学习
数值分析
数值分析
摘要
液态金属去合金化（LMD）的相场模拟可以捕捉复杂的微观结构演化，但对于大尺寸区域和长时间跨度而言，其计算成本可能极其高昂。本文引入一种全卷积、条件参数化的 U-Net 替代模型，旨在在空间和时间上外推至远超其训练数据的范围。该架构集成了卷积自注意力机制、物理先验填充和 flood-fill 校正方法，以在极端外推下保持精度；同时通过对模拟参数进行条件化，允许灵活的时间步长跳过以及对不同合金成分的适应。为免去基于求解器的昂贵初始化需求，我们将该替代模型与一个条件扩散模型相耦合，以生成合成的、物理一致的初始条件。我们在小区域尺寸和短时间跨度生成的模拟上训练替代模型，但通过利用 U-Net 的卷积特性，我们能够运行并外推比经典数值求解器所能实现的更长时间跨度的替代模拟。在多种合金成分下，该框架能够准确再现 LMD 物理过程。它预测的关键物理量和空间统计在训练域内的相对误差通常低于 5%，在大规模、长时间跨度外推期间低于 15%。我们的框架还能实现高达 36,000 倍的加速，将耗时数周的模拟缩短至几秒钟。这项工作是迈向 LMD 相场模拟在空间和时间上高保真外推的第一步。
引用
@article{arxiv.2601.04510,
title = {Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks},
author = {Christophe Bonneville and Nathan Bieberdorf and Pieterjan Robbe and Mark Asta and Habib Najm and Laurent Capolungo and Cosmin Safta},
journal= {arXiv preprint arXiv:2601.04510},
year = {2026}
}