相場方法是一種流行的介觀尺度計(jì)算方法，用于研究微結(jié)構(gòu)及其物理性質(zhì)的時空演化。它已被廣泛用于描述各種重要的介觀尺度演化現(xiàn)象，包括晶粒生長和粗化、凝固、薄膜沉積、位錯動力學(xué)、生物膜中的囊泡形成和裂紋傳播?，F(xiàn)有的高保真相場模型實(shí)際計(jì)算成本很高，因?yàn)樗鼈冃枰鉀Q一組描述這些過程的連續(xù)場變量的耦合偏微分方程系統(tǒng)。

目前，最大限度地降低計(jì)算成本的探索主要集中在利用高性能計(jì)算架構(gòu)和先進(jìn)的數(shù)值方案，或?qū)?a target="_blank">機(jī)器學(xué)習(xí)算法與微觀結(jié)構(gòu)模擬相結(jié)合。然而，對于這些成功的解決方案來說，如何平衡精度與計(jì)算效率也還是個令人頭痛的問題。要么計(jì)算效率高就不能保證得到精確解；要么可以求解復(fù)雜的、耦合的相場方程，卻計(jì)算成本高昂；要么能夠預(yù)測訓(xùn)練范圍之內(nèi)的微觀結(jié)構(gòu)演化，卻預(yù)測不了訓(xùn)練之外的演化。

來自美國桑迪亞國家實(shí)驗(yàn)室集成納米技術(shù)中心的Rémi Dingreville教授領(lǐng)導(dǎo)的團(tuán)隊(duì)，開發(fā)了一個機(jī)器學(xué)習(xí)框架來高效、快速地預(yù)測復(fù)雜的微結(jié)構(gòu)演化問題。通過采用長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)長期模式和解決歷史依賴性問題，作者將微結(jié)構(gòu)演化問題重新表述為多變量時間序列問題。在這種情況下，神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)如何通過微結(jié)構(gòu)隨時間演化的低維描述來預(yù)測微結(jié)構(gòu)的演化。

他們發(fā)現(xiàn)這種機(jī)器學(xué)習(xí)的替代模型，可以在幾分之一秒的時間內(nèi)預(yù)測兩相混合物在亞穩(wěn)態(tài)分解時的非線性微觀結(jié)構(gòu)演化，與高保真相場模擬相比，準(zhǔn)確性僅損失5%。作者表明，該替代模型軌跡作為經(jīng)典高保真相場模型的輸入數(shù)據(jù)時，可以加速相場模擬。作者的解決方案開辟了一條很有前途的道路，在尺度現(xiàn)象至關(guān)重要的問題中（如材料設(shè)計(jì)等演化問題），可利用他們加速的相場模擬來發(fā)現(xiàn)、求解和預(yù)測加工-微結(jié)構(gòu)-性能關(guān)系。 該文近期發(fā)表于npj Computational Materials7:3(2021)，英文標(biāo)題與摘要如下，點(diǎn)擊左下角“閱讀原文”可以自由獲取論文PDF。

原文標(biāo)題：npj: 機(jī)器學(xué)習(xí)帶著相場走來了—又快又準(zhǔn)的模擬方法

文章出處：【微信公眾號：知社學(xué)術(shù)圈】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq