Physics-informed operator learning for transferable energy-dissipative microstructure dynamics

ملخص تقني: تعلم المشغل الموجه بالفيزياء لديناميكيات البنية المجهرية القابلة للنقل والمبددة للطاقة

بيان المشكلة
تعد نمذجة "حقل الطور" (Phase-field modeling) إطار عمل قياسي للتنبؤ بتطور البنية المجهرية في المواد، حيث تربط بين القوى الدافعة الديناميكية الحرارية والقيود الحركية وبين الأداء العياني. ومع ذلك، فإن محاكاة حقل الطور عالية الدقة مكلفة حاسوبياً، لا سيما في المسائل التي تتطلب آفاقاً زمنية طويلة، أو دقة واجهة عالية، أو استكشافاً واسع النطاق للمعاملات. وتتمثل العقبة الرئيسية في التقييم المتكرر للمشتقات التباينية وتطبيق مشغلات التطور على فضاء حالة البنية المجهرية. وبينما تم تطوير استراتيجيات عددية (مثل الشبكات التكيفية، وتسريع وحدات معالجة الرسومات) وبدائل قائمة على البيانات (مثل الشبكات العصبية المتكررة RNNs، ومشغلات نيورال فوريه FNO، وDeepONets) لتقليل التكاليف، إلا أن الطرق الحالية غالباً ما تعاني من عدم الاستقرار في الآفاق الزمنية الطويلة، والقدرة على التعميم عبر المعاملات الفيزيائية، والضمان المتأصل للقوانين الفيزيائية مثل الحفظ وتبديد الطاقة الحرة. كما تفشل النماذج المعتمدة على البيانات الصرفة في الحفاظ على الاتساق الفيزيائي أثناء عمليات التمرير الذاتي (autoregressive rollouts)، بينما يمكن أن تكون مشغلات النيورال الموجهة بالفيزياء (PINO) مكلفة في التدريب وحساسة في الموازنة بين مطابقة البيانات والتنظيم الفيزيائي.

المنهجية: إطار عمل PFNet
يقترح المؤلفون PFNet، وهو إطار عمل لتعلم المشغل الموجه بالفيزياء، مصمم لتعلم مشغلات التطور المشروطة لديناميكيات البنية المجهرية المقيدة ديناميكياً حرارياً. بدلاً من تعلم الارتباطات المباشرة من البنية المجهرية إلى البنية المجهرية، يتعلم PFNet المشغل الذي يدفع الحالة للأمام عبر فاصل فيزيائي ثابت $\Delta t$.

المكونات الهيكلية والمنهجية الرئيسية تشمل:

1. بنية U-Net المستوحاة من الانتشار: النواة الشبكية هي U-Net مكيّفة من نماذج التوليد القائمة على الدرجة (score-based generative models). هذا الاختيار مدفوع بالتشابه الهيكلي بين مجال الدرجة في نماذج الانتشار (والذي يدفع العينات نحو مجمع البيانات) والمشتق التبايني في ديناميكيات حقل الطور (والذي يدفع البنى المجهرية نحو حالات طاقة حرة أقل).
2. الحشو الدوري (Periodic Padding): لفرض الشروط الحدية الدورية (PBCs) المتأصلة في أحجام العينات الممثلة في محاكاة حقل الطوف، تستخدم الشبكة الحشو الدائري في جميع طبقات التلافيف (convolutional layers). هذا القيد على مستوى التمثيل يمنع ظهور عيوب حدودية اصطناعية أثناء عمليات التمرير الذاتي الطويلة.
3. التكييف القائم على الإنتروبيا: تدمج الشبكة إنتروبيا شانون للحالة المجهرية الحالية، $\mathcal{H}(\phi_t)$، كمتغير تكييف تكيفي. هذا الوصف القياسي، الذي يُحسب مباشرة من مستوى الاضطراب اللحظي للمجال، يحل محل تضمينات الخطوات الزمنية الخارجية. فهو يوفر إشارة تكيفية مع المسار تساعد الشبكة على التمييز بين مراحل الترتيب المختلفة (مثل التحلل السبيني المبكر مقابل التخشين في المراحل المتأخرة).
4. تعديل المعاملات الديناميكية الحرارية: يتم دمج معامل طاقة التدرج، $\kappa$، وحقنه في الشبكة عبر تعديل خطي ميزاتي (FiLM) في جميع الكتل المتبقية (residual blocks). وهذا يسمح للنموذج البديل بتكييف ديناميكياته الداخلية باستمرار عبر مختلف مناظر الطاقة الحرة دون الحاجة لإعادة التدريب.
5. صياغة المشغل الموحدة: بُني الإطار على الصياغة التباينية الموحدة لحركية حقل الطور، $\partial_t \phi = -\mathcal{M} \delta \mathcal{F} / \delta \phi$، والتي تشمل ديناميكيات كلاهما (Cahn-Hilliard) المحفوظة وديناميكيات (Allen-Acn) غير المحفوظة.

النتائج الرئيسية
تم تقييم الإطار على معيارين متميزين: تخشن كاهن-هليارد (CH) المحفوظ، والتحول المارتنزيتي غير المحفوظ رباعي القنوات.

• تخشن كاهن-هليارد (CH):

  • دقة الخطوة الواحدة: يحقق PFNet دقة عالية في تنبؤات الخطوة الواحدة عبر تركيبات مختلفة، ومعاملات طاقة التدرج ($\kappa$) متنوعة، ومراحل تخشن مختلفة. تتركز الأخطاء بشكل أساسي بالقرب من الواجهات المنتشرة ومناطق الانحناء العالي، بينما تظل الأطوار الكتلوية دقيقة.
  • الاستقرار في الآفاق الطويلة: على عكس نماذج DeepONet المرجعية، التي تراكم الخطأ بسرعة وتتباعد خلال عشرات الخطوات، يحافظ PFNet على عمليات تمرير ذاتي مستقرة لأكثر من 100 خطوة. يحافظ النموذج على فئة الشكل المهيمن، واتصال الأطوار، ومسارات التخشن العالمية.
  • التعميم: يظهر الإطار قدرة على النقل عبر التركيبات الاسمية المختلفة (التي تنتج أشكالاً مثل القطرات، أو الأشكال المتصلة ثنائياً، أو الأشكال المقلوبة) وقيم $\kappa$ مختلفة. لقد نجح في استيعاب قواعد التطور المشروطة بالمعاملات، متكيفاً مع الواجهات الحادة والناعمة على حد سواء.
  • ديناميكيات الخطأ: تكون أخطاء التمرير في أدنى مستوياتها في التكوينات المتأخرة (التي يهيمن عليها نضج أوستفالد البطيء) وتكون أعلى في التكوينات المبكرة (التي يحكمها الانتشار الصاعد النشط). تؤدي قيم $\kappa$ الأصغر، التي تخلق واجهات حادة وتدرجات شديدة، إلى حدود خطأ أعلى قليلاً ولكنها لا تسبب انهياراً هيكلياً.

• التحول المارتنزيتي:

  • التوسع متعدد القنوات: تم توسيع الإطار ليشمل نظاماً غير محفوظ رباعي القنوات دون إعادة تصميم النواة الأساسية، فقط عبر توسيع أبعاد التنسور للمدخلات والمخرجات.
  • الأداء: نجح PFNet في التقاط الديناميكيات المعقدة لاختيار المتغيرات المارتنزيتية ونشوء التوائم. ورغم أن هذه المسألة أكثر تطلباً من مسألة CH بسبب الاقتران القوي بين القنوات والتباين في الخواص، إلا أن النموذج يحافظ على الإدراك الفيزيائي ولا ينهار إلى مجالات غير مهيكلة حتى بعد 100 خطوة تمرير.

الأهمية والادعاءات
يزعم البحث أن PFNet يوفر بديلاً قابلاً للنقل لديناميكيات حقل الطور ولأنظمة ديناميكية أوسع مبددة للطاقة. تكمن أهميته في:

• تعلم المشغل مقابل الارتباط: من خلال تعلم مشغلات التطور المشروطة بدلاً من الارتباطات الساكنة، يحقق النموذج استقراراً عبر آفاق زمنية طويلة.
• تضمين الفيزياء على مستويات متعددة: يدمج التصميم البنية الفيزيائية على مستوى التمثيل (الحشو الدوري)، ومستوى التكييف (الإنتروبيا وتعديل المعاملات)، ومستوى المشغل (الصياغة التباينية). يضمن هذا أن قواعد التحديث المتعلمة تحترم اتساق الحدود، وحالات الاضطراب اللحظية، والتغيرات في منظر الطاقة الحرة.
• التعميم عبر الحركية: لا يقتدي الإطار بمعادلة محددة (مثل كاهن-هليارد القياسي) بل يعمل كمشغل تطور عام للحالات المجهرية. لقد نجح في الانتقال من الانتشار القياسي المحفوظ إلى التطور الهيكلي متعدد المعاملات غير المحفوظ.
• الفائدة العملية: تشير النتائج إلى أن تعلم المشغل الموجه بالفيزياء يمكن أن يقلل التكاليف الحسابية مع الاحتفاظ بالموثوقية الفيزيائية، مما يفتح مساراً لإجراء مسوحات منهجية عبر التركيبات، والمعاملات الديناميكية الحرارية، وفئات الأشكال المجهرية دون الحاجة لإعادة التدريب المتكرر.

يخلص المؤلفون إلى أنه بينما لا تزال هناك تحديات في تحسين تسجيل الواجهات في الأنظمة الصلبة وبالقرب من أحداث تغيير الطبوغرافيا، فإن PFNet يمثل خطوة هامة نحو بناء نماذج تنبؤية فعالة في استخدام البيانات، ومفسرة فيزيائياً، وقابلة للنقل عبر الأنظمة المقيدة ديناميكياً حرارياً.