[논문 리뷰] 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. Bazant외 1명|arXiv (Cornell University)|2023. 02. 26.

Model Reduction and Neural Networks인용 수 6

한 줄 요약

이 논문은 자유 에너지 함수의 경계 흐름에 의해 지배되는 패턴 형성 시스템을 시뮬레이션하기 위해 최소화 운동 기법을 사용하는 물리 기반 딥 오퍼레이터 신경망인 Phase-Field DeepONet을 소개한다. PDE를 직접 풀지 않고 동역학을 에너지 최소화 문제로 재정의함으로써, 상분리되는 배터리나 에멀전과 같은 시스템에 대해 빠르고 정확하며 해석 가능한 실시간 예측이 가능해진다.

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.

연구 동기 및 목표

• 자유 에너지 함수의 경계 흐름에 의해 지배되는 패턴 형성 시스템의 시뮬레이션에 대한 높은 계산 비용을 해결한다.
• 물리 법칙을 신경망 학습에 통합하는 데이터 효율적이고 해석 가능한 기계학습 프레임워크를 개발한다.
• PDE 솔버를 대체하는 학습된 타임스텝퍼로 복잡한 동역학 시스템의 빠른 실시간 예측을 가능하게 한다.
• 핵심 단계-필드 모델인 Allen-Cahn 및 Cahn-Hilliard 방정식을 대상으로 프레임워크의 효과성을 입증한다.
• 딥 오퍼레이터 네트워크를 변분 원리와 에너지 기반 손실 함수에 통합하여 학습 효율성과 정확도를 향상시킨다.

제안 방법

• 지배 PDE를 직접 풀지 않고, 자유 에너지 함수의 최소화 운동으로 시스템 동역학을 기술한다.
• 현재 상태에서 다음 상태로의 시간 변화를 학습하는 물리 기반 딥 오퍼레이터 신경망(DeepONet)을 사용한다.
• 변분 원리에서 유도된 에너지 기반 손실 함수(예: 총 자유 에너지 최소화)를 사용하여 손실 항목 수를 줄인다.
• 최소화 운동 기법을 통합하여 열역학적 제약 조건을 유지하면서 시스템 상태를 반복적으로 진화시킨다.
• 물리 법칙을 손실 함수에 통합하기 위해 원칙 기반 시뮬레이션으로부터 생성된 합성 데이터로 네트워크를 훈련시킨다.
• 각 타임스텝에서 네트워크 출력이 자유 에너지 함수를 최소화하는 상태가 되도록 물리적 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 물리 기반 딥 오퍼레이터 네트워크는 자유 에너지 함수의 경계 흐름에 의해 지배되는 패턴 형성 시스템을 정확하게 시뮬레이션할 수 있는가?
• RQ2 PDE를 푸는 대신 에너지 최소화를 사용할 경우 시뮬레이션 속도와 정확도에 어떤 영향을 미치는가?
• RQ3 학습된 오퍼레이터 네트워크는 실시간 예측을 위한 효율적인 명시적 타임스텝퍼로 기능할 수 있는가?
• RQ4 변분 원리는 얼마나 잘 딥 오퍼레이터 네트워크에 통합되어 데이터 효율성과 물리적 일관성을 향상시킬 수 있는가?
• RQ5 비평형 열역학에서의 복잡한 시스템, 예를 들어 선형 또는 단순 비선형 PDE를 초월한 시스템으로 프레임워크의 일반화 능력은 어느 정도인가?

주요 결과

• Phase-Field DeepONet는 Allen-Cahn 및 Cahn-Hilliard 방정식을 고정밀도로 성공적으로 시뮬레이션하여 핵심 단계-필드 모델에 대한 적용 가능성을 입증한다.
• 학습된 명시적 타임스텝 맵 덕분에 빠른 추론이 가능해져 패턴 진화의 실시간 예측이 가능해진다.
• 에너지 기반 학습은 표준 PINN 접근 방식에 비해 손실 항목 수를 줄여 학습 효율성과 안정성을 향상시킨다.
• 최소화 운동 기법은 열역학적으로 일관된 시스템 진화를 보장하여 자유 에너지 감소 등의 물리 원리를 유지한다.
• 노이즈에 강건하고 예측하지 않은 초기 조건으로도 일반화 능력이 뛰어나, 강력한 일반화 능력을 보여준다.
• 이 프레임워크는 재료 과학, 배터리 동역학, 소프트 물질 분야에서의 복잡한 시스템에 대한 데이터 기반 시뮬레이션으로 향한 확장 가능한 길을 제공한다.