Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning
Dieser Artikel vergleicht zwei Architekturen von Convolutional Recurrent Neural Networks zur Simulation des Kristallwachstums unter variabler Übersättigung und zeigt, dass eine explizite Konditionierung des Netzwerks auf den Übersättigungsparameter im Vergleich zur impliziten Inferenz über Eingabe-Mini-Sequenzen überlegene hochpräzise Vorhersagen liefert, wobei beide Modelle eine starke Skalierbarkeit auf größere Domänen und längere Zeitsequenzen aufweisen.