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

तकनीकी सारांश: हस्तांतरणीय ऊर्जा-अपव्ययी सूक्ष्मसंरचना गतिशीलता के लिए भौतिकी-सूचित ऑपरेटर लर्निंग

समस्या विवरण
फेज़-फील्ड मॉडलिंग सूक्ष्मसंरचना विकास की भविष्यवाणी करने के लिए एक मानक ढांचा है, जो ऊष्मागतिक प्रेरक बलों (thermodynamic driving forces) और गतिक बाधाओं को स्थूल प्रदर्शन से जोड़ता है। हालाँकि, उच्च-सटीकता वाले फेज़-फील्ड सिमुलेशन अत्यधिक गणनात्मक रूप से महंगे होते हैं, विशेष रूप से उन समस्याओं के लिए जिनमें लंबे समय के क्षितिज (long time horizons), सूक्ष्म इंटरफेस रिज़ॉल्यूशन, या व्यापक पैरामीटर अन्वेषण की आवश्यकता होती है। मुख्य बाधा वेरिएशनल डेरिवेटिव्स का बार-बार मूल्यांकन और सूक्ष्मसंरचना अवस्था स्थान पर इवोल्यूशन ऑपरेटर्स का अनुप्रयोग है। जबकि लागत कम करने के लिए संख्यात्मक रणनीतियाँ (जैसे, अडैप्टिव मेशिंग, GPU एक्सेलेरेशन) और डेटा-संचालित सरोगेट्स (जैसे, RNNs, फूरियर न्यूरल ऑपरेटर्स, DeepONets) विकसित किए गए हैं, मौजूदा विधियाँ अक्सर दीर्घ-क्षितिज स्थिरता, भौतिक मापदंडों में सामान्यीकरण (generalization), और संरक्षण एवं मुक्त-ऊर्जा अपव्यय जैसे भौतिक नियमों की अंतर्निहित गारंटी के साथ संघर्ष करती हैं। विशुद्ध रूप से डेटा-संचालित मॉडल अक्सर ऑटोरिग्रेसिव रोलआउट के दौरान भौतिक निरंतरता बनाए रखने में विफल रहते हैं, जबकि भौतिकी-सूचित न्यूरल ऑपरेटर्स (PINO) को प्रशिक्षित करना महंगा और डेटा मिलान एवं भौतिक नियमितीकरण (physics regularization) के बीच संतुलन बनाने में नाजुक हो सकता है।

कार्यप्रणाली: PFNet फ्रेमवर्क
लेखक PFNet का प्रस्ताव करते हैं, जो ऊष्मागतिक रूप से बाधित सूक्ष्मसंरचना गतिशीलता के लिए कंडीशनल इवोल्यूशन ऑपरेटर्स को सीखने के लिए डिज़ाइन किया गया एक भौतिकी-सूचित न्यूरल ऑपरेटर फ्रेमवर्क है। सीधे सूक्ष्मसंरचना-से-सूक्ष्मसंरचना सहसंबंधों को सीखने के बजाय, PFNet उस ऑपरेटर को सीखता है जो एक निश्चित भौतिक अंतराल $\Delta t$ पर अवस्था को आगे बढ़ाता है।

प्रमुख वास्तुशिल्प और पद्धतिगत घटक शामिल हैं:

1. डिफ्यूजन-प्रेरित U-Net बैकबोन: कोर नेटवर्क एक U-Net है जिसे स्कोर-आधारित जनरेटिव मॉडल्स से अनुकूलित किया गया है। यह विकल्प डिफ्यूजन मॉडल्स में स्कोर फील्ड (जो नमूनों को डेटा मैनिफोल्ड की ओर ले जाता है) और फेज़-फील्ड डायनेमिक्स में वेरिएशनल डेरिवेटिव (जो सूक्ष्मसंरचनाओं को निम्न मुक्त-ऊर्जा अवस्थाओं की ओर ले जाता है) के बीच संरचनात्मक समानता से प्रेरित है।
2. पीरियोडिक पैडिंग (Periodic Padding): फेज़-फील्ड सिमुलेशन में प्रतिनिधि आयतन तत्वों (representative volume elements) के लिए मूल आवर्ती सीमा स्थितियों (periodic boundary conditions - PBCs) को लागू करने के लिए, नेटवर्क सभी कनवल्शनल लेयर्स में सर्कुलर पैडिंग का उपयोग करता है। यह प्रतिनिधित्व-स्तर का प्रतिबंध लंबे ऑटोरिग्रेसिव रोलआउट के दौरान कृत्रिम सीमा संबंधी त्रुटियों (boundary artifacts) को रोकता है।
3. एन्ट्रॉपी-आधारित अवस्था कंडीशनिंग: मॉडल वर्तमान सूक्ष्मसंरचनात्मक अवस्था के शैनन एन्ट्रॉपी, $\mathcal{H}(\phi_t)$ को एक अनुकूली कंडीशनिंग वेरिएबल के रूप में शामिल करता है। यह अदिश डिस्क्रिप्टर (scalar descriptor), जो क्षेत्र के तात्कालिक विकार स्तर से सीधे संगणित किया जाता है, बाहरी टाइमस्टेप एम्बेडिंग्स का स्थान लेता है। यह एक प्रक्षेपवक्र-अनुकूली संकेत (trajectory-adaptive signal) प्रदान करता है जो नेटवर्क को विभिन्न व्यवस्था चरणों (जैसे, प्रारंभिक स्पिनोडल डिकंपोजिशन बनाम देर-चरण का कोर्सनिंग) के बीच अंतर करने में मदद करता है।
4. ऊष्मागतिक-पैरामीटर मॉड्यूलेशन: ग्रेडिएंट-एनर्जी गुणांक, $\kappa$, को FiLM (Feature-wise Linear Modulation) के माध्यम से सभी रेसिडुअल ब्लॉक्स में एम्बेड और इंजेक्ट किया जाता है। यह मॉडल को बिना पुन: प्रशिक्षण के विभिन्न मुक्त-ऊर्जा परिदृश्यों में अपनी आंतरिक गतिशीलता को निरंतर रूप से अनुकूलित करने की अनुमति देता है।
5. एकीकृत ऑपरेटर फॉर्मूलेशन: फ्रेमवर्क फेज़-फील्ड कैनेटीक्स के एकीकृत वेरिएशनल फॉर्मूलेशन, $\partial_t \phi = -\mathcal{M} \delta \mathcal{F} / \delta \phi$, पर आधारित है, जो संरक्षित (Cahn-Hilliard) और गैर-संरक्षित (Allen-Cahn) दोनों गतिकी को समाहित करता है।

मुख्य परिणाम
फ्रेमवर्क का मूल्यांकन दो अलग-अलग बेंचमार्क पर किया गया: संरक्षित Cahn-Hilliard (CH) कोर्सनिंग और गैर-संरक्षित, फोर-चैनल मार्टेंसिटिक ट्रांसफॉर्मेशन।

• Cahn-Hilliard Coarsening:

  • सिंगल-स्टेप सटीकता: PFNet विभिन्न संरचनाओं (compositions), ग्रेडिएंट-एनर्जी गुणांक ($\kappa$), और कोर्सनिंग चरणों में उच्च सटीकता प्राप्त करता है। त्रुटियां मुख्य रूप से डिफ्यूज इंटरफेस और उच्च-वक्रता वाले क्षेत्रों के पास केंद्रित होती हैं, जबकि बल्क चरण सटीक रहते हैं।
  • दीर्घ-क्षितिज स्थिरता (Long-Horizon Stability): DeepONet बेसलाइन्स के विपरीत, जो तेजी से त्रुटियां जमा करते हैं और कुछ ही चरणों में विचलित हो जाते हैं, PFNet 100 चरणों के ऊपर स्थिर ऑटोरिग्रेसिव रोलआउट बनाए रखता है। मॉडल प्रमुख आकार वर्ग (morphology class), चरण कनेक्टिविटी और वैश्विक कोर्सनिंग पथों को सुरक्षित रखता है।
  • सामान्यीकरण (Generalization): फ्रेमवर्क विभिन्न नाममात्र संरचनाओं (ड्रॉपलेट, बायकंटीन्यूअस और इनवर्टेड मोर्फोलॉजी उत्पन्न करना) और विभिन्न $\kappa$ मानों के बीच हस्तांतरणीयता प्रदर्शित करता है। यह सफलतापूर्वक पैरामीटर-कंडीशन्ड इवोल्यूशन नियमों को आत्मसात करता है, जो शार्प और स्मूथ इंटरफेस दोनों के अनुकूल होता है।
  • त्रुटि गतिकी (Error Dynamics): रोलआउट त्रुटियां देर-चरण के विन्यास (जो धीमी ओस्टवाल्ड राइपनिंग द्वारा नियंत्रित होते हैं) के लिए सबसे कम और प्रारंभिक-चरण के विन्यास (जो सक्रिय अपहिल डिफ्यूजन द्वारा नियंत्रित होते हैं) के लिए अधिक होती हैं। छोटे $\kappa$ मान, जो शार्प इंटरफेस और तीव्र ग्रेडिएंट बनाते हैं, थोड़े उच्च त्रुटि स्तरों का परिणाम देते हैं लेकिन संरचनात्मक पतन का कारण नहीं बनते हैं।

• मार्टेंसिटिक ट्रांसफॉर्मेशन:

  • मल्टीचैनल विस्तार: फ्रेमवर्क को कोर बैकबोन को पुन: डिज़ाइन किए बिना, केवल इनपुट/आउटपुट टेंसर आयामों का विस्तार करके चार-चैनल गैर-संरक्षित सिस्टम के लिए विस्तारित किया गया।
  • प्रदर्शन: PFNet मार्टेंसिटिक वेरिएंट चयन और ट्विन न्यूक्लिएशन की जटिल गतिकी को सफलतापूर्वक कैप्चर करता है। हालांकि मजबूत चैनल कपलिंग और एनिसोट्रॉपी के कारण यह समस्या CH कोर्सनिंग की तुलना में अधिक चुनौतीपूर्ण है, मॉडल भौतिक पहचान क्षमता बनाए रखता है और 100 रोलआउट चरणों के बाद भी असंरचित क्षेत्रों में ढहता नहीं है।

महत्व और दावे
पेपर का दावा है कि PFNet फेज़-फील्ड डायनेमिक्स और व्यापक ऊर्जा-अपव्ययी डायनेमिकल सिस्टम्स के लिए एक हस्तांतरणीय सरोगेट प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

• ऑपरेटर लर्निंग बनाम कोरिलेशन: स्थिर सहसंबंधों के बजाय कंडीशनल इवोल्यूशन ऑपरेटर्स को सीखकर, मॉडल दीर्घ समय क्षितिज पर स्थिरता प्राप्त करता है।
• बहु-स्तरीय भौतिकी एम्बेडिंग: डिज़ाइन प्रतिनिधित्व स्तर (पीरियोडिक पैडिंग), कंडीशनिंग स्तर (एन्ट्रॉपी और पैरामीटर मॉड्यूलेशन), और ऑपरेटर स्तर (वेरिएशनल फॉर्मूलेशन) पर भौतिक संरचना को एकीकृत करता है। यह सुनिश्चित करता है कि सीखे गए अपडेट नियम सीमा निरंतरता, तात्कालिक विकार अवस्थाओं और मुक्त-ऊर्जा परिदृश्य के परिवर्तनों का सम्मान करते हैं।
• काइनेटिक्स के माध्यम से सामान्यीकरण: फ्रेमवर्क किसी विशिष्ट समीकरण (जैसे, स्केलर CH) तक सीमित नहीं है, बल्कि सूक्ष्मसंरचनात्मक अवस्थाओं के लिए एक सामान्य इवोल्यूशन ऑपरेटर के रूप में कार्य करता है। यह संरक्षित स्केलर डिफ्यूजन से गैर-संरक्षित, मल्टी-ऑर्डर-पैरामीटर संरचनात्मक विकास तक सफलतापूर्वक संक्रमण करता है।
• व्यावहारिक उपयोगिता: परिणाम दर्शाते हैं कि भौतिकी-सूचित ऑपरेटर लर्निंग, भौतिक विश्वसनीयता बनाए रखते हुए, गणनात्मक लागत को कम कर सकती है, जिससे बार-बार पुन: प्रशिक्षण के बिना संरचना, ऊष्मागतिक पैरामीटर और मोर्फोलॉजी क्लास के व्यवस्थित स्वीप (sweeps) के लिए एक मार्ग प्रशस्त होता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि स्टिफ रेजीम्स और टोपोलॉजी बदलने वाली घटनाओं के पास इंटरफेस पंजीकरण में सुधार के लिए चुनौतियां बनी हुई हैं, PFNet एक महत्वपूर्ण कदम है जो डेटा-कुशल, भौतिक रूप से व्याख्या योग्य और ऊष्मागतिक रूप से बाधित प्रणालियों के विभिन्न क्षेत्रों में हस्तांतरणीय भविष्य कहनेवाला मॉडल बनाने की दिशा में है।