Bridging Phase-Field Model and Deep Learning for Predicting 2D and 3D Microstructure Evolution in Ternary Alloys

Resumen Técnico: Puente entre el Modelo de Campo de Fase y el Aprendizaje Profundo para la Predicción de la Evolución de la Microestructura en Aleaciones Ternarias

Planteamiento del Problema
La descomposición espinodal (SD) en sistemas de aleaciones ternarias y de orden superior es un mecanismo crítico para generar materiales nanoporosos jerárquicos y bicontinuos, utilizados en aplicaciones de nanotemplos y catálisis. Si bien la teoría de Cahn-Hilliard proporciona un marco fundamental para comprender la SD, el modelado de estos procesos en sistemas ternarios tridimensionales (3D) presenta desafíos significativos. Los modelos de campo de fase (PFM) tradicionales son computacionalmente costosos, particularmente al simular la dinámica de engrosamiento de largo tiempo requerida para alcanzar microestructuras en etapas tardías. Además, los enfoques de aprendizaje automático (ML) existentes para la predicción de microestructuras se han limitado en gran medida a sistemas binarios o de dos fases efectivas, dejando en gran medida inexplorada la compleja descomposición espinodal de tres fases en aleaciones ternarias 3D. El problema central abordado es la necesidad de un método computacionalmente eficiente pero físicamente preciso para predecir la evolución espaciotemporal de las microestructuras en estos sistemas multicomponentes complejos.

Metodología
Los autores proponen un marco híbrido que integra simulaciones de campo de fase basadas en la física con una arquitectura de aprendizaje profundo (DL) mejorada con atención. La metodología se estructura en tres componentes principales:

1. Generación de Datos Basada en la Física (Modelo de Campo de Fase):

   • Se emplea un modelo de Cahn-Hilliard ternario para simular la descomposición espinodal en sistemas A-B-C. El modelo utiliza una función de energía libre de solución regular con parámetros de interacción ($\chi_{ij} > 2.0$) para asegurar un brecha de miscibilidad de tres fases.
   • Las ecuaciones gobernantes se resuelven mediante un método espectral de Fourier semi-implícito. Para abordar los cuellos de botella computacionales, el solver se implementa en CUDA C, aprovechando la aceleración por GPU (NVIDIA RTX A5000) para generar datos de entrenamiento de alta fidelidad.
   • Las simulaciones se realizan en dominios tanto 2D ($256 \times 256$) como 3D ($128 \times 128 \times 128$) a través de diversas composiciones de aleación, capturando la inestabilidad de etapa temprana y el engrosamiento de etapa tardía.

2. Arquitectura de Aprendizaje Profundo:

   • Reducción de Dimensionalidad: Una arquitectura de autoencoder comprime las imágenes de microestructura de alta resolución (2D: $256 \times 256 \times 3$; 3D: $128 \times 128 \times 128 \times 3$) en un espacio latente compacto. Este paso preserva las características físicas esenciales mientras reduce la carga computacional.
   • Predicción Espaciotemporal: Una red de Memoria a Largo Corto Plazo Convolucional (ConvLSTM) aumentada con atención opera dentro del espacio latente. Esta toma una secuencia de cinco fotogramas de microestructura consecutivos como entrada para predecir estados subsiguientes. El mecanismo de atención (tipo Bahdanau) permite que el modelo se enfoque dinámicamente en características espaciales y temporales relevantes, mejorando la precisión de la predicción a largo plazo.
   • Extensión 3D: Se emplea una novedosa estrategia de "rebanada por rebanada" para las predicciones 3D. El volumen 3D se descompone en rebanadas 2D, se predice utilizando el modelo 2D entrenado y se reensambla. Este enfoque aprovecha la eficiencia del modelo 2D manteniendo la coherencia espacial a través de la tercera dimensión.

3. Estrategia de Entrenamiento:

   • El modelo se entrena con datos de campo de fase de 12 composiciones diferentes.
   • La función de pérdida combina el Error Cuadrático Medio (MSE) con un término de coherencia temporal ($L_{temporal}$) para asegurar transiciones suaves entre los fotogramas predichos, manteniendo la consistencia física.
   • El entrenamiento utiliza el optimizador Adam con recorte de gradiente.

Contribuciones Clave

• Identificación del Mecanismo de Tres Fases: El estudio captura y clasifica con éxito tres mecanismos distintos de separación de fases en aleaciones ternarias: (i) formación simultánea de tres fases en composiciones equimolares, (ii) separación de dos etapas Tipo I (segregación inicial de B/C seguida de segregación de A en las interfaces), y (iii) separación de dos etapas Tipo II (segregación inicial de regiones ricas en A/pobres en A seguida de segregación de B/C dentro de las regiones pobres en A).
• Marco de Simulación Híbrido: El artículo introduce una estrategia donde el PFM captura la evolución rápida de la etapa temprana, mientras que el modelo de DL predice eficientemente el engrosamiento de la etapa tardía. Esto cierra la brecha entre la fidelidad física y la velocidad computacional.
• Generalización 3D: El desarrollo de un método de predicción de rebanada por rebanada permite la extensión de modelos entrenados en 2D a sistemas 3D sin necesidad de reentrenar una red 3D completa, equilibrando eficazmente la precisión y el costo computacional.
• Capacidad de Generalización: El modelo demuestra la capacidad de generalizarse a composiciones fuera de la distribución de entrenamiento y de predecir la evolución de la microestructura hasta 400 pasos más allá del horizonte de entrenamiento (hasta $t=1400$).

Resultados

• Precisión Predictiva: El modelo de DL entrenado logra una alta fidelidad. Para las predicciones 2D, el MSE oscila entre 0.0514 y 0.0928 en las etapas tempranas y mejora a 0.0052–0.0248 en las etapas tardías. Para las predicciones 3D, los valores de MSE son ligeramente más altos pero siguen una tendencia similar, variando de 0.0537 a 0.1153 en las etapas tempranas y de 0.0179 a 0.0339 en las etapas tardías.
• Predicción a Largo Plazo: El modelo mantiene una precisión notable al predecir 400 pasos por delante (hasta $t=1400$) para composiciones no vistas, con valores de MSE 2D que permanecen bajos (0.0239 a 0.0680).
• Eficiencia Computacional: El enfoque híbrido ofrece aceleraciones significativas. En una GPU NVIDIA RTX A5000, el modelo de ML predice un fotograma 2D en 0.04 segundos y un fotograma 3D en 14.03 segundos. En contraste, el solver de campo de fase acelerado por GPU requiere 0.456 segundos para los fotogramas 2D y 29.9 segundos para los 3D.
• Captura de Mecanismos: El modelo reproduce con éxito la compleja evolución morfológica, incluyendo la transición de redes interconectadas a estructuras engrosadas, y retiene fracciones de volumen de fase consistentes con las simulaciones físicas.

Significancia y Reivindicaciones
Los autores afirman que este trabajo establece una plataforma robusta para el modelado predictivo de la evolución de la microestructura en sistemas multicomponentes complejos. Al integrar la fidelidad física de los modelos de campo de fase con la eficiencia computacional del aprendizaje profundo, el marco supera las limitaciones de las simulaciones tradicionales para sistemas ternarios 3D de tres fases. El estudio demuestra que el modelado de campo de fase asistido por ML puede extenderse más allá de los estudios binarios y 2D para manejar la descomposición espinodal genuina de tres fases. Los autores posicionan esta metodología como una herramienta valiosa para la ingeniería de microestructuras 2D y 3D con topología y funcionalidad a medida, específicamente para aplicaciones avanzadas de nanotemplos y el diseño de estructuras nanoporosas multifásicas para catálisis. El trabajo no pretende reemplazar los modelos basados en la física, sino más bien acelerar la predicción de la dinámica de la etapa tardía donde las simulaciones físicas se vuelven prohibitivamente costosas.