Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning
Ce papier compare deux architectures de réseaux de neurones récurrents convolutifs pour simuler la croissance cristalline sous sursaturation variable, démontrant que la conditionnement explicite du réseau sur le paramètre de sursaturation produit des prédictions haute fidélité supérieures à l'inférence implicite via des mini-séquences d'entrée, tandis que les deux modèles montrent une forte évolutivité vers des domaines plus vastes et des séquences temporelles plus longues.