[논문 리뷰] Physics-informed neural operator for predictive parametric phase-field modelling

Nanxi Chen, Airong Chen외 1명|arXiv (Cornell University)|2026. 03. 10.

Machine Learning in Materials Science인용 수 0

한 줄 요약

PF-PINO는 물리 정보 제약을 Fourier 신경 연산자와 결합하여 매개변수화된 위상장 모델을 학습하고, 데이터 기반 FNO 대비 여러 벤치마크에서 장기 예측의 정확도와 안정성을 향상시킨다.

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.

연구 동기 및 목표

• 전통적 위상장 시뮬레이션의 높은 계산 비용과 매개변수 연구를 위한 빠르고 정확한 대리 모델의 필요성을 제시한다.
• 훈련에 PDE 잔차를 포함시켜 물리 법칙을 강제하는 물리 정보 신경 연산자 프레임워크를 제안한다.
• 데이터 기반 기초 모델에 비해 다양하고 긴 기간의 위상장 문제에서 정확도, 일반화 및 장기 안정성의 향상을 입증한다.
• 물리 제약을 갖춘 자가회귀 롤아웃 기능으로 안정적인 장기간 예측을 선보인다.

제안 방법

• 傅역 Fourier 신경 연산자(FNO) 백본을 기반으로 매개변수화된 위상장 해석 연산자를 학습한다.
• 지배하는 위상장 방정식의 PDE 잔차를 훈련 손실에 물리 정보 제약으로 포함시킨다.
• 현재 상태와 매개변수 필드를 다음 시간 스텝으로 매핑하는 자가회귀 방식으로 궤적 생성을 가능하게 한다.
• 유한 차분 또는 스펙트럴 미분을 통해 PDE 잔차를 계산하고 데이터 충실도와 물리 잔차를 합성 손실에서 균형 조정한다.
• 경로 전체의 누적 PDE 위반을 최소화하기 위해 테스트 시 물리 정보 미세조정을 선택적으로 적용할 수 있다.

실험 결과

연구 질문

• RQ1 PF-PINO가 데이터 기반 FNO보다 전기화학 부식, 덴드리틱 결정화, 스피놀 분해와 같은 다양한 매개변수 위상장 문제에 대해 일반화할 수 있는가?
• RQ2 PDE 잔차를 포함하는 것이 외삽 및 희박한 데이터 상황에서 장기 자가회귀 안정성 및 경계면 정확도를 향상시키는가?
• RQ3 물리 제약이 위상장 모델의 비주기 경계 및 급격한 경계면 동역학에 대한 일반화에 어떤 영향을 미치는가?
• RQ4 물리 정보 학습이 시간에 따른 글로벌 스펙트럴 특징과 형태를 포착하는 능력에 미치는 영향은 무엇인가?

주요 결과

• PF-PINO가 벤치마크에서 FNO보다 상대적 L2 오차에서 크게 우수하며, 보지 않은 매개변수에서의 연필 전극 부식에서 0.53% 대 1.58%의 차이를 보인다.
• PF-PINO는 상대적 Hausdorff 거리를 유의하게 감소시켜(예: 연필 전극 부식에서 0.33 대 0.83) 경계 및 인터페이스 정확성이 우수하다.
• 덴드리틱 결정화에서 PF-PINO는 형태를 정확하게 유지하고 FNO보다 우수한 외삽 성능을 보이며 더 높은 잠열 계수에 대한 외삽도 개선된다.
• 스피놀 분해에서 PF-PINO는 스펙트럼 전반의 구조인자 충실도가 더 낫고 특히 저-k 모드에서 더 안정적인 자가회귀 오차를 보인다.
• 벤치마크 전반에서 PF-PINO는 학습 중 수렴 속도가 더 빠르고 긴 자가회귀 롤아웃에서 오차 증가가 더 느리다.
• 이 연구는 물리 정보 제약이 해 공간을 정규화하고 외삽을 강화하며 비물리적 인 artefacts를 감소시키는 역할을 한다고 주장한다.