[論文レビュー] Phase-Field DeepONet: Physics-informed deep operator neural network for fast simulations of pattern formation governed by gradient flows of free-energy functionals

Wei Li, Martin Z. Bazant+1 more|arXiv (Cornell University)|Feb 26, 2023

Model Reduction and Neural Networks被引用数 6

ひとこと要約

本稿では、自由エネルギー汎関数の勾配流れに従うパターン形成をシミュレートするために、最小化移動スキームを用いる物理的制約付きの深層作用素ニューラルネットワーク、Phase-Field DeepONetを提案する。偏微分方程式を直接解くのではなくエネルギー最小化として動的挙動を定式化することにより、相分離を示すバッテリーやエマルジョンのような系において、高速で正確かつ解釈可能なリアルタイム予測が可能になる。

ABSTRACT

Recent advances in scientific machine learning have shed light on the modeling of pattern-forming systems. However, simulations of real patterns still incur significant computational costs, which could be alleviated by leveraging large image datasets. Physics-informed machine learning and operator learning are two new emerging and promising concepts for this application. Here, we propose "Phase-Field DeepONet", a physics-informed operator neural network framework that predicts the dynamic responses of systems governed by gradient flows of free-energy functionals. Examples used to validate the feasibility and accuracy of the method include the Allen-Cahn and Cahn-Hilliard equations, as special cases of reactive phase-field models for nonequilibrium thermodynamics of chemical mixtures. This is achieved by incorporating the minimizing movement scheme into the framework, which optimizes and controls how the total free energy of a system evolves, instead of solving the governing equations directly. The trained operator neural networks can work as explicit time-steppers that take the current state as the input and output the next state. This could potentially facilitate fast real-time predictions of pattern-forming dynamical systems, such as phase-separating Li-ion batteries, emulsions, colloidal displays, or biological patterns.

研究の動機と目的

• 自由エネルギー汎関数の勾配流れに従うパターン形成系のシミュレーションにおける高い計算コストを低減すること。
• 物理法則をニューラルネットワークの学習に統合するデータ効率的で解釈可能な機械学習フレームワークの開発。
• 偏微分方程式ソルバーに代わる学習済みタイムステッパーを用いて、複雑な力学的系の高速リアルタイム予測を可能にすること。
• 代表的なフェーズフィールドモデル（アレン＝キャーンおよびカーン＝ヒリャード方程式）におけるフレームワークの有効性を実証すること。
• 変分原理とエネルギーに基づく損失関数を深層作用素ネットワークに組み込むことで、学習効率と精度を向上させること。

提案手法

• 支配的PDEの直接解法を避けるために、系の動的挙動を自由エネルギー汎関数における最小化移動として定式化する。
• 現在の状態から次の時刻の状態への写像を学習する物理的制約付きの深層作用素ニューラルネットワーク（DeepONet）を採用する。
• 変分原理（例：全自由エネルギーの最小化）に基づくエネルギーに基づく損失関数を用い、損失項の数を削減する。
• 最小化移動スキームを組み込み、熱力学的制約を満たしながら逐次的に系の状態を進化させる。
• 第一原理シミュレーションから生成された合成データを用いてネットワークを学習し、物理法則を損失関数に埋め込む。
• 各時刻で自由エネルギー汎関数を最小化する状態を出力することで、物理的整合性を確保する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約付きの深層作用素ネットワークは、自由エネルギー汎関数の勾配流れに従うパターン形成を高精度にシミュレートできるか？
• RQ2 PDEを解くのではなくエネルギー最小化を用いることで、シミュレーションの速度と精度にどのような影響を与えるか？
• RQ3 学習済み作用素ネットワークは、力学的系のリアルタイム予測のための効率的な明示的タイムステッパーとして機能できるか？
• RQ4 変分原理を深層作用素ネットワークにどれほど統合できるか。これによりデータ効率性と物理的整合性がどの程度向上するか？
• RQ5 線形または単純な非線形PDEにとどまらず、非平衡熱力学におけるような複雑な系に対しても、このフレームワークは一般化できるか？

主な発見

• Phase-Field DeepONetは、アレン＝キャーン方程式およびカーン＝ヒリャード方程式の両方を高い精度でシミュレートし、核心的フェーズフィールドモデルへの適用可能性を検証した。
• 学習済みの明示的タイムステッピングマップにより、推論が高速化され、パターン進化のリアルタイム予測が可能になった。
• エネルギーに基づく学習により、標準的なPINNアプローチと比較して損失項の数を削減し、学習の効率性と安定性を向上させた。
• 最小化移動スキームにより、系の熱力学的整合性のある進化が保証され、自由エネルギーの減少といった物理的原則が維持された。
• ノイズに強く、未観測の初期条件に対しても一般化能力に優れていることが示され、強力な一般化能力を示した。
• このフレームワークは、材料科学、バッテリーダイナミクス、ソフトマター分野における複雑系のデータ駆動型シミュレーションへのスケーラブルな道筋を提供する。