PINN-Phase: A physics-informed neural network for curvature-driven multiphase-field evolution

技術要約：PINN-Phase

問題提起
多相場（MPF）モデルを用いた多結晶微細構造の進化シミュレーションは、多くの関連するケースを長時間のスケールで進化させる必要がある場合、計算コストが非常に高い。学習されたサロゲート（ニューラルオペレータやリカレント潜在モデルなど）は、シミュレーションされた軌跡から学習することで予測を加速させてきたが、これらは多くの場合、各タイムステップでの参照状態を必要とする軌跡監督（trajectory supervision）に依存している。さらに、標準的な学習型インテグレータは、粒子の合体や消滅を通じて活性なグレインセットが変化する際、構造的妥当性（局所的な相の境界および単位和の制約）や安定性を維持することに苦慮する。課題は、全$N$成分の拡散場を前進させ、各ステップで物理的制約を強制し、事後的な初期条件参照フレームではなく支配方程式から学習し、かつ、トポロジー的なエラーを蓄積することなく長い自己回帰シーケンスに対して安定性を保つ時間インテグレータを開発することである。

手法：PINN-Phase
著者らは、制約付き多相場進化のために設計された物理情報に基づくニューラル時間インテグレータであるPINN-Phaseを提案する。この手法は、各成分が局所的な相分率を表す$N$成分の拡散場$\phi(x,t)$を持つ周期格子上で動作する。

1. ハイブリッド・ニューラル・レート・オペレータ： モデルは、学習された凸結合を介して結合された、2つのブランチを持つ共有アーキテクチャを用いて更新を予測する。

   • ローカル・ブランチ（MLP）： 各グリッドポイントにおける非線形な局所界面応答を捉える。
   • 空間ブランチ（ConvLSTM）： 空間的相互作用と時間的メモリを伝播させる。
   • 多グレイン研究においては、グレインのラベル付け替えやグリッド移動に対する物理的等価性を保証するために、**置換等変（permutation-equivariant）**な定式化が用いられる。

2. 有界な時間積分と妥当性：

   • ニューラルの応答は、双曲線正接（tanh）スケーシング関数とゼロ和投影を用いて、有界な場の間隔$\Delta \phi_t$へと変換され、増分が相に対して中立であることを保証する。
   • 決定的なことに、毎回の更新後にハード・クリップ・アンド・リノーマライズ・マップが適用される。このマップは、相の値を$[0, 1]$にクリップし、それらが和として1になるようにリノーマライズする。この構造的強制により、ニューラル予測の大きさに関わらず、保持される状態が常に妥当（$0 \le \phi_k \le 1, \sum \phi_k = 1$）であることが保証される。

3. 物理情報に基づく学習目的関数：

   • 学習は、事後的な状態に関するラベルフリーで行われる。モデルは初期条件$\phi_0$のみから学習される。
   • 損失関数は、モデル自身の予測状態上で評価された投影済みMPFオペレータ（制約付きアレン・カーン定式化）から導出された物理的なターゲット増分と、有界なニューラル増分との間の不一致を最小化する。
   • $t_0$以降の参照場は、損失計算、早期終了、またはチェックポイント選択には一切使用されない。これらはオフライン評価のためにのみ予約される。

4. 評価プロトコル：

   • モデルは、さらなる参照入力なしでの自律的ロールアウト（自己回帰的予測）を通じて評価される。
   • 指標には、グレインラベルの不一致（カテゴリカル誤差）、平均絶対誤差（場の忠実度）、およびトポロジー的正当性（生存セットと消滅アイデンティティ）が含まれる。
   • ベンチマークは、スカラーの収縮から、設計された消滅イベントを含む複雑な2Dおよび3D多相粗大化まで多岐にわたる。

主な貢献

• 構造的に妥当なインテグレータ： PINN-Phaseは、ハードマップを介して各ステップで相分率の制約（境界および単位和）を厳密に強制する、構造的に妥当なニューラル時間インテグレータを提供する。これにより、長時間の進化を通じて状態が物理的に有効であることを保証する。
• 明示的MPFのためのラベルフリー学習： 軌跡監督型のサロゲートとは異なり、本手法は進化する状態上で評価された物理的残差から学習するため、訓練には初期条件のみを必要とする。
• 前向きな初期条件転移： 本研究は、単一の訓練済みモデルが、ケース固有の再学習やチューニングなしに、固定されたベンチマークファミリー内の未知の初期微細構造に対して汎化できることを示している。
• 長期間の安定性： このフレームワークは、訓練時の時間的ホライゾン（例：4,096ステップの訓練ホライゾン）を大幅に超える自律的な進化（例：12,000ステップのロールアウト）をサポートする。

結果

• スカラーおよび単純なトポロジー： スカラーのベンチマークにおいて、ハイブリッドモデルは低い場誤差（MAE $\approx 0.003$）を達成し、曲率駆動の面積則と消滅時間を正確に再現した。
• 2D 多グレイン粗大化：
  • N=25： 一つの初期条件で訓練された置換等変モデルは、訓練ケースおよび保持された開発ケースの両方において、正確な終端生存セットを達成した。8つの未知ケースと2つのストレスケースを含む前向きなコホートにおいて、モデルはすべての事前定義された基準（グレインラベルの不一致 $\le 15\%$ および生存セットの忠実度を含む）を満たし、8つの未知ケースのうち7つおよび両方のストレスケースで成功した。
  • N=64： 事前登録されたモデルは、ステップ12,000において6.09%のグレインラベル不一致に達し、21個の参照生存グレインすべてに加えて1つの余剰グレインを保持した。事後評価による継続（拡張されたホライゾンと訓練）により、不一致は3.97%に減少し、正確な21個の生存セットと43個の消滅アイデンティティを完全に回収した。
• 3D 設計された消滅：
  • N=8 (64³)： モデルは99.53%のラベル一致を達成し、設計された単一消滅イベントに対して正確な生存セットの回収を実現した。
  • N=16 (96³)： モデルは99.668%の一致を達成し、13個の生存セットと3つの設計された消滅を正確に回収した。
  • 前向き3Dコホート： 6つの前向きに固定された未知の3D初期条件に対し、固定モデルは正確な終端活性セットとすべての3つの消滅アイデンティティを回収し、6ケース中6ケースすべてで、6ケース中5ケースが完全な事前定義資格基準を満たした。

意義および主張
論文は、PINN-Phaseが構造的に妥当な長期間予測と前向きな初期条件転移を示すと主張している。結果は、単一のモデルが微細構造のダイナミクス（特に曲率駆動のMPF進化）を学習し、再学習なしに未知の初期条件に適用できることを示している。

著者らは、検証が訓練残差で使用されたものと同じ離散化された物理演算子の直接積分に対して行われていることを明示している。したがって、これらの結果は、学習された時間インテグレータがその特定の演算子を近似する能力を検証するものであり、独立した材料検証や異なる構成モデルへの汎化を構成するものではない。本研究は、PINN-Phaseを孤立したフォワード計算のための高精度ソルバーの代替品としてではなく、多くの関連するクエリに対して再利用可能な、構造的に制約された進化モデルとして位置づけている。なお、異なる相数、解像度、または材料パラメータ間での転移については実証されていない。