[論文レビュー] Learning two-phase microstructure evolution using neural operators and autoencoder architectures

Vivek Oommen, Khemraj Shukla+3 more|arXiv (Cornell University)|Apr 11, 2022

Solidification and crystal growth phenomena被引用数 6

ひとこと要約

本論文は、2相微細組織の進化を高速化するため、畳み込み自己符号化器とDeepONetを組み合わせたハイブリッドディープラーニングフレームワークを提案する。微細組織履歴の潜在空間表現から時間発展状態へのマッピングを学習することで、フルフェーズフィールドソルバーと比較して推論時間を最大99%短縮しつつ、テストデータにおける相対$L^2$誤差が5%未満を維持する高精度な予測を達成する。

ABSTRACT

Phase-field modeling is an effective but computationally expensive method for capturing the mesoscale morphological and microstructure evolution in materials. Hence, fast and generalizable surrogate models are needed to alleviate the cost of computationally taxing processes such as in optimization and design of materials. The intrinsic discontinuous nature of the physical phenomena incurred by the presence of sharp phase boundaries makes the training of the surrogate model cumbersome. We develop a framework that integrates a convolutional autoencoder architecture with a deep neural operator (DeepONet) to learn the dynamic evolution of a two-phase mixture and accelerate time-to-solution in predicting the microstructure evolution. We utilize the convolutional autoencoder to provide a compact representation of the microstructure data in a low-dimensional latent space. DeepONet, which consists of two sub-networks, one for encoding the input function at a fixed number of sensors locations (branch net) and another for encoding the locations for the output functions (trunk net), learns the mesoscale dynamics of the microstructure evolution from the autoencoder latent space. The decoder part of the convolutional autoencoder then reconstructs the time-evolved microstructure from the DeepONet predictions. The trained DeepONet architecture can then be used to replace the high-fidelity phase-field numerical solver in interpolation tasks or to accelerate the numerical solver in extrapolation tasks.

研究の動機と目的

• 材料科学における微細組織進化のフェーズフィールドシミュレーションの高い計算コストに対処すること。
• 鋭い相界面を有する不連続的で界面支配の動的挙動をもつサーヴェイランスモデルの訓練における課題を克服すること。
• 微細組織の形態と界面詳細を保持する、高速で一般化可能なサーヴェイランスモデルを開発すること。
• 材料設計および最適化ワークフローにおける効率的な補間および外挿を可能にすること。
• 繰り返し高精度なシミュレーションを実行する必要を減らすために、低次元の潜在空間における解作用素を学習すること。

提案手法

• 畳み込み自己符号化器が、形態的特徴を保持したまま、高次元の微細組織データを低次元の潜在空間に圧縮する。
• DeepONetは、潜在表現の全時系列履歴を将来の状態へマッピングする解作用素を学習する。ブランチ・トランクネットワークアーキテクチャを採用する。
• ブランチネットワークは、時間的相関を活用するために、1次元畳み込みを用いて潜在時系列の全履歴を処理する。
• トランクネットワークは出力予測のための空間的位置を符号化し、異なる空間的点への一般化を可能にする。
• 訓練済みのDeepONetは、将来の時刻における潜在状態を予測し、その後、逆畳み込みによるデコーダーを用いて物理空間へと再構成する。
• モデルは、潜在空間における$L^2$再構成誤差を最小化するために、Adam最適化アルゴリズムを用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド自己符号化器-DeepONetフレームワークは、鋭い界面を有する2相微細組織進化の動的挙動を、正確かつ効率的に学習できるか？
• RQ2 学習済みの解作用素は、未観測の初期条件および時刻に対してどの程度一般化できるか？
• RQ3 高精度フェーズフィールドソルバーと比較して、サーヴェイランスモデルは計算コストをどの程度低減できるか？
• RQ4 モデルは、材料微細組織予測における補間および外挿の両方のタスクを効果的に処理できるか？
• RQ5 潜在空間表現は、枝状構造や相界面といった重要な形態的特徴をどの程度保持するか？

主な発見

• 提案モデルは、テストデータにおいて相対$L^2$誤差が5%未満であることを示し、微細組織進化予測の高精度性を裏付けた。
• フレームワークは、フルフェーズフィールドシミュレーションと比較して推論時間を最大99%短縮し、ニアリアルタイムの予測を可能にした。
• 未観測の初期条件に対しても良好な一般化性能を示し、補間および外挿タスクの両方においてロバストであることを確認した。
• 1次元畳み込みブランチネットワークの使用により、潜在空間における時間的系列の効率的符号化が可能となった。
• デコーダーからの再構成微細組織は、材料性能予測に不可欠な微細スケールの界面特徴を保持していた。
• 訓練済みのDeepONetは、設計最適化における繰り返し高精度シミュレーションの必要性を排除するサーヴェイランス解作用素として機能した。