Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning
Dit artikel vergelijkt twee Convolutional Recurrent Neural Network-architecturen voor het simuleren van kristalgroei onder variabele verzadiging, en toont aan dat het expliciet conditioneren van het netwerk op de verzadigingsparameter superieure hoogtrouwvoorspellingen oplevert in vergelijking met impliciete inferentie via invoermini-sequenties, terwijl beide modellen sterke schaalbaarheid vertonen naar grotere domeinen en langere tijdssequenties.