Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning

1. Problématique et Contexte

La simulation de la croissance cristalline, en particulier via des méthodes de champ de phase (Phase-Field, PF) comme l'équation d'Allen-Cahn, est cruciale pour comprendre la formation des microstructures. Cependant, ces simulations numériques sont coûteuses en temps de calcul, nécessitant des maillages fins et la résolution d'équations aux dérivées partielles (EDP) non linéaires couplées.

L'objectif de cette étude est de développer des modèles substituts (surrogates) basés sur l'apprentissage profond (Deep Learning) pour accélérer ces simulations. Le défi spécifique abordé ici est la gestion d'un paramètre physique variable : la sur-saturation ($\Delta\mu$). Ce paramètre contrôle non seulement le taux de croissance global, mais aussi la morphologie fine des facettes cristallines (arrondies vs anguleuses). La question centrale est de savoir comment intégrer cette variable dans un réseau de neurones :

1. Conditionnement implicite : Le réseau infère la valeur de la sur-saturation en traitant une courte séquence temporelle d'images initiales.
2. Conditionnement explicite : La valeur de la sur-saturation est fournie directement comme entrée au réseau, avec une seule image initiale.

2. Méthodologie

Modèle Physique :
Les données d'entraînement sont générées par la résolution numérique de l'équation d'Allen-Cahn en 2D sous conditions isothermes. Un coefficient cinétique anisotrope ($k(\alpha)$) est introduit pour reproduire la formation de cristaux à facettes hexagonales. Le domaine de simulation est de $128 \times 128$ pixels, avec une sur-saturation $\Delta\mu$ variant uniformément entre 0,2 et 0,8.

Architectures de Réseaux de Neurones (CRNN) :
Les auteurs utilisent des Réseaux de Neurones Récurrents Convolutifs (CRNN) basés sur des couches GRU (Gated Recurrent Unit) convolutives. Deux architectures sont comparées :

• NNseq (Conditionnement implicite) : Le réseau reçoit une "mini-séquence" de $s$ images successives (ex: 3, 5 ou 7 images) et doit prédire la suite de l'évolution. Il doit déduire implicitement le taux de croissance et la morphologie à partir de la dynamique observée.
• NNpar (Conditionnement explicite) : Le réseau reçoit une seule image initiale ($\phi_t$) concaténée avec une carte spatiale constante représentant la valeur de $\Delta\mu$. Il prédit l'évolution future en connaissant explicitement le paramètre de contrôle.

Entraînement et Évaluation :

• Un jeu de données de 7 500 séquences est utilisé.
• L'apprentissage utilise l'optimiseur Adam et une fonction de perte basée sur l'erreur quadratique moyenne (MSE).
• Une technique d'apprentissage par curriculum est employée pour stabiliser l'entraînement.
• Les modèles sont testés sur des ensembles de données indépendants, avec des variations de la taille du jeu d'entraînement, de la longueur de la séquence d'entrée (pour NNseq), et des conditions initiales (densité de germes, taille du domaine).

3. Contributions Clés

1. Comparaison systématique : C'est l'une des premières études à comparer quantitativement les approches de conditionnement explicite vs implicite pour la dynamique de croissance cristalline avec des architectures similaires.
2. Efficacité des données : Démonstration que le conditionnement explicite est nettement plus efficace en termes de données. Pour atteindre la même précision, l'approche implicite (NNseq) nécessite un jeu de données environ 15 fois plus grand que l'approche explicite (NNpar).
3. Généralisation spatiale et temporelle : Validation que les modèles entraînés sur de petits domaines ($128 \times 128$) et des séquences courtes peuvent être extrapolés avec succès à des domaines beaucoup plus grands (jusqu'à $2048 \times 2048$) et à des séquences temporelles plus de 10 fois plus longues que celles vues durant l'entraînement, avec une accumulation d'erreur limitée.
4. Préservation des détails morphologiques : Preuve que les modèles ne se contentent pas de rescaler la vitesse de croissance, mais apprennent à reproduire fidèlement les effets subtils de la sur-saturation sur la forme des facettes (arrondis vs coins pointus).

4. Résultats Principaux

• Performance de Prédiction :

  • Le modèle NNpar (conditionnement explicite) surpasse systématiquement le modèle NNseq. Le meilleur modèle NNpar ($NN5k_{\Delta\mu}$, entraîné sur 5 000 séquences) atteint une erreur absolue moyenne (MAE) médiane de 0,011, avec plus de 90 % des prédictions ayant une erreur maximale inférieure à 0,018.
  • Le modèle NNseq nécessite un jeu de données massif (7 500 séquences) pour atteindre des performances comparables à un modèle NNpar entraîné sur un jeu de données 15 fois plus petit.
  • Pour les faibles sur-saturations ($\Delta\mu < 0,3$), le modèle NNseq échoue souvent car les changements entre les images de la mini-séquence sont trop faibles pour inférer correctement le taux de croissance.

• Robustesse et Extrapolation :

  • Domaine : Les modèles fonctionnent parfaitement sur des domaines jusqu'à 256 fois plus grands que le domaine d'entraînement, sans perte de précision.
  • Temps : Les modèles peuvent prédire des séquences 10 fois plus longues que l'entraînement avec une accumulation d'erreur gérable.
  • Conditions initiales : Les modèles généralisent bien à des densités de germes différentes (couverture initiale $\theta_0$), tant que celle-ci reste supérieure à environ 0,03.

• Analyse des erreurs :

  • Les erreurs sont principalement localisées lors des événements de coalescence des cristaux (changement de topologie).
  • Le conditionnement explicite garantit une fidélité élevée aux profils de vérité terrain, reproduisant correctement l'impact local de $\Delta\mu$ sur la morphologie facettée.

5. Signification et Conclusion

Cette étude démontre que, pour les problèmes de dynamique de matériaux où les paramètres de contrôle physiques (comme la sur-saturation) sont connus ou mesurables, le conditionnement explicite est la stratégie optimale. Bien que les réseaux de neurones aient la capacité d'inférer des lois d'évolution à partir de données brutes (approche implicite), cela se fait au prix d'une inefficacité massive en termes de données et d'une sensibilité accrue aux conditions aux limites (faible sur-saturation).

Implications pratiques :

• Les modèles substituts CRNN permettent de réduire considérablement le coût computationnel pour le criblage de matériaux et de procédés, en particulier lorsqu'ils sont exécutés sur GPU.
• L'approche explicite offre une voie fiable pour simuler des phénomènes à des échelles réalistes (macroscopiques) à partir de modèles entraînés sur des échelles microscopiques, ouvrant la voie à des applications industrielles plus larges pour la conception de matériaux cristallins.

En résumé, l'article valide l'utilisation de modèles substituts conditionnés explicitement comme une alternative fiable et efficace aux simulations numériques traditionnelles pour la croissance cristalline, tout en mettant en garde contre les limites des approches purement data-driven lorsque les paramètres physiques sont masqués.