物理灵感神经网络在材料三维微观结构演化中的极端时间外推能力和热力学一致性
原文中文,约400字,阅读约需1分钟。发表于: 。使用卷积循环神经网络(CRNN)训练,以复制三维自旋相分解过程,符合 Cahn-Hilliard 方程所描述。该方法通过专门的、基于物理的架构,在计算成本的一小部分情况下,能够紧密重现非训练集中的微观结构的演化,实现了极长时间的外推能力,甚至达到理论预期平衡态,量化地符合自由能的衰减速率,为材料的长时间尺度模拟提供了一个数据驱动、物理一致和高精度的机器学习方法。
本研究使用混合物理数据驱动代理模型,利用嵌入神经网络的组分模型进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络架构,加速了显微模型的运行时间。