相場方法是一種流行的介觀尺度計算方法，用于研究微結構及其物理性質的時空演化。它已被廣泛用于描述各種重要的介觀尺度演化現象，包括晶粒生長和粗化、凝固、薄膜沉積、位錯動力學、生物膜中的囊泡形成和裂紋傳播。現有的高保真相場模型實際計算成本很高，因為它們需要解決一組描述這些過程的連續場變量的耦合偏微分方程系統。

目前，最大限度地降低計算成本的探索主要集中在利用高性能計算架構和先進的數值方案，或將機器學習算法與微觀結構模擬相結合。然而，對于這些成功的解決方案來說，如何平衡精度與計算效率也還是個令人頭痛的問題。要么計算效率高就不能保證得到精確解；要么可以求解復雜的、耦合的相場方程，卻計算成本高昂；要么能夠預測訓練范圍之內的微觀結構演化，卻預測不了訓練之外的演化。

來自美國桑迪亞國家實驗室集成納米技術中心的Rémi Dingreville教授領導的團隊，開發了一個機器學習框架來高效、快速地預測復雜的微結構演化問題。通過采用長短期記憶(LSTM)神經網絡學習長期模式和解決歷史依賴性問題，作者將微結構演化問題重新表述為多變量時間序列問題。在這種情況下，神經網絡能學習如何通過微結構隨時間演化的低維描述來預測微結構的演化。

他們發現這種機器學習的替代模型，可以在幾分之一秒的時間內預測兩相混合物在亞穩態分解時的非線性微觀結構演化，與高保真相場模擬相比，準確性僅損失5%。作者表明，該替代模型軌跡作為經典高保真相場模型的輸入數據時，可以加速相場模擬。作者的解決方案開辟了一條很有前途的道路，在尺度現象至關重要的問題中（如材料設計等演化問題），可利用他們加速的相場模擬來發現、求解和預測加工-微結構-性能關系。 該文近期發表于npj Computational Materials7:3(2021)，英文標題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文PDF。

原文標題：npj: 機器學習帶著相場走來了—又快又準的模擬方法

文章出處：【微信公眾號：知社學術圈】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq