[論文レビュー] Physics-informed neural operator for predictive parametric phase-field modelling

Nanxi Chen, Airong Chen+1 more|arXiv (Cornell University)|Mar 10, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

PF-PINO は物理情報付き制約と Fourier ニューラルオペレーターを組み合わせてパラメトリックなフェーズフィールドモデルを学習し、データ主導の FNO よりも長期予測の精度と安定性が向上する。いくつかのベンチマークで確認。

ABSTRACT

Predicting the microstructural and morphological evolution of materials through phase-field modelling is computationally intensive, particularly for high-throughput parametric studies. While neural operators such as the Fourier neural operator (FNO) show promise in accelerating the solution of parametric partial differential equations (PDEs), the lack of explicit physical constraints, may limit generalisation and long-term accuracy for complex phase-field dynamics. Here, we develop a physics-informed neural operator framework to learn parametric phase-field PDEs, namely PF-PINO. By embedding the residuals of phase-field governing equations into the data-fidelity loss function, our framework effectively enforces physical constraints during training. We validate PF-PINO against benchmark phase-field problems, including electrochemical corrosion, dendritic crystal solidification, and spinodal decomposition. Our results demonstrate that PF-PINO significantly outperforms conventional FNO in accuracy, generalisation capability, and long-term stability. This work provides a robust and efficient computational tool for phase-field modelling and highlights the potential of physics-informed neural operators to advance scientific machine learning for complex interfacial evolution problems.

研究の動機と目的

• 従来のフェーズフィールド simulations の高い計算コストと、パラメトリック研究のための高速で正確なサロゲートの必要性を動機づける。
• PDE 残差をトレーニングに組み込み物理法則を強制する物理情報ニューラルオペレーター-framework を提案する。
• データ駆動ベースラインを超えた精度・一般化・長期安定性を、多様なフェーズフィールド問題で実証する。
• 物理制約を用いた自己回帰ローアウト機能を示し、長時間安定予測を可能にする。

提案手法

• フーリエニューラルオペレーター(FNO)を backbone として、パラメトリックなフェーズフィールド解オペレーターを学習する。
• フェーズフィールド方程式の PDE 残差をトレーニング損失に物理情報として組み込み、物理法則を制約として課す。
• 自己回帰スキームを用いて現在の状態とパラメータ場から次時刻を推定し、軌跡生成を可能にする。
• 有限差分またはスペクトル微分により PDE 残差を計算し、データ適合性と物理残差を組み合わせた複合損失でバランスを取る。
• 必要に応じて推論時の物理情報微調整を適用し、軌跡全体の PDE 違反の蓄積を最小化する。

実験結果

リサーチクエスチョン

• RQ1 PF-PINO は、データ駆動の FNO よりも、さまざまなパラメトリックフェーズフィールド問題（電気化学腐食、樹枝状固化、スピノーダル分解）に対して一般化できるか。
• RQ2 PDE 残差を埋め込むことは、外挿やスパースデータ状況下で長期自己回帰の安定性と界面精度を改善するか。
• RQ3 物理的制約は境界が非周期的であったり、フェーズフィールドモデルの鋭い界面ダイナミクスへ一般化にどう影響するか。
• RQ4 物理情報トレーニングが、時間を超えたグローバルスペクトル特徴と形態を捉える能力に及ぼす影響は。

主な発見

• PF-PINO はベンチマーク全体で FNO に対して相対的な L2 誤差を大幅に上回り、未見パラメータ下の鉛筆電極腐蝕で 0.53% 対 1.58% などの例を含む。
• PF-PINO は相対的 Hausdorff 距離を著しく低減し（例：鉛筆電極腐蝕で 0.33 対 0.83）、境界・界面精度が向上。
• 樹枝状固化では PF-PINO が形態を正確に維持し、FNO を上回る外挿性能を示し、潜在熱係数が高い場合の外挿も改善。
• スピノーダル分解では PF-PINO がスペクトル全体で構造要因忠実度を改善し、特に低い k モードで効果を発揮し、自己回帰誤差の安定性が高い。
• ベンチマーク全体を通じて、PF-PINO は学習時の収束が速く、長い自己回帰ローアウト中の誤差成長を抑制。
• 本研究は、物理情報制約が解空間を正則化し、外挿性を高めつつ非物理的 artefact の低減につながると主張する。