evoxels: A differentiable physics framework for voxel-based microstructure simulations

Het paper introduceert evoxels, een volledig Python-gebaseerd differentieerbaar fysica-framework dat 3D-microscopiegegevens, fysische simulaties, inverse modellering en machine learning integreert om de ontdekking van materialen en het inzicht in de relatie tussen proces, structuur en eigenschappen te versnellen.

De kern

Stel je voor dat je een enorme, ingewikkelde legpuzzel hebt, maar dan in 3D. Deze puzzel is een stukje materiaal, zoals de binnenkant van een batterij of een stuk metaal. De stukjes van de puzzel (de microstructuur) bepalen hoe goed het materiaal werkt: hoe snel stroom doorheen gaat, hoe sterk het is, of hoe het veroudert.

Vroeger was het heel moeilijk om te voorspellen wat er met zo'n puzzel zou gebeuren als je het verwarmde, drukte of liet roesten. Wetenschappers moesten dan vaak eerst een heel ingewikkeld "net" (een mesh) over de puzzel leggen om het te simuleren. Dat was als proberen een foto van een berg te tekenen door eerst elke steen en elk grasplukje met de hand te tekenen. Het duurde eeuwen, was foutgevoelig en je kon er niet snel mee experimenteren.

evoxels is een nieuw, slim computerprogramma dat dit probleem oplost. Hier is hoe het werkt, vertaald naar alledaags taal:

1. De "Pixel-Bril" (Voxel-based)

In plaats van een ingewikkeld net te tekenen, kijkt evoxels naar de puzzel alsof het een digitale foto is. Het verdeelt het materiaal in kleine blokjes, net als pixels op je scherm, maar dan in 3D (die noemen ze voxels).

• De analogie: Stel je voor dat je een blok kaas hebt. In plaats van de kaas te snijden in onregelmatige stukjes, leg je er een rooster overheen en tel je hoeveel blokjes kaas er in elk vakje zitten. Dit maakt het heel makkelijk om directe foto's van microscopen (zoals een FIB-SEM) direct in de computer te stoppen. Geen gedoe meer met het tekenen van netten.

2. De "Leerkracht die alles snapt" (Differentiable Physics)

Dit is de magische truc van evoxels. Normaal gesproken is een simulatie een eenrichtingsverkeer: je stopt gegevens in, en de computer geeft een antwoord. Als het antwoord niet goed is, moet je handmatig alles opnieuw instellen en weer proberen.
evoxels is anders. Het is alsof de computer niet alleen het antwoord geeft, maar ook weet waarom het antwoord zo is.

• De analogie: Stel je voor dat je een bakker bent die een taart probeert te bakken.
  • Oude methode: Je bakt een taart, proeft hem, en denkt: "Hm, te zoet." Dan moet je zelf raden hoeveel suiker je de volgende keer minder moet doen.
  • evoxels-methode: De bakker (de computer) proeft de taart en zegt direct: "Als je 2 gram suiker minder doet, wordt hij perfect." Het programma kan dus "terugrekenen". Als je wilt dat een batterij 20% langer meegaat, kan evoxels precies berekenen hoe de binnenkant van die batterij eruit moet zien om dat te bereiken. Dit noemen ze inverse design.

3. De "Raket-snelheid" (GPU en Parallel Processing)

Deze berekeningen zijn normaal gesproken zo zwaar dat ze dagen duren. Maar evoxels is gebouwd om te werken op de krachtigste videokaarten (zoals die in gaming-computers of datacenters).

• De analogie: Als je een hele stad moet schilderen, zou je dat normaal gesproken met één kwast doen (de oude methoden). evoxels gebruikt duizenden kwasten tegelijk die allemaal perfect samenwerken. Hierdoor kan het in enkele minuten simuleren wat anders dagen zou duren, zelfs op een gewone laptop.

4. De "Bouwdoos" (Modulair en Open)

Het programma is niet een starre doos waar je niets aan kunt veranderen. Het is meer een Lego-set voor wetenschappers.

• Je kunt er standaardproblemen mee oplossen (zoals hoe vloeistof door een spons stroomt).
• Maar je kunt ook je eigen regels toevoegen (nieuwe wiskundige formules) om nieuwe materialen te ontwerpen.
• Het is volledig gratis en openbaar, zodat iedereen het kan gebruiken, in plaats van dat het alleen beschikbaar is voor rijke bedrijven met dure licenties.

Waarom is dit belangrijk?

Vroeger moesten wetenschappers gissen naar hoe ze nieuwe, betere materialen konden maken. Met evoxels kunnen ze:

1. Een foto maken van een materiaal.
2. De computer laten zien hoe het zich gedraagt.
3. De computer laten "leren" hoe ze het materiaal moeten aanpassen om het sterker, sneller of efficiënter te maken.

Het is alsof je een tijdmachine hebt voor materiaalontwikkeling: in plaats van jarenlang in het lab te experimenteren, kun je duizenden versies van een materiaal in een paar uur op de computer testen en de beste versie kiezen om echt te maken.

Kortom: evoxels maakt het ontwerpen van de materialen van de toekomst (zoals betere batterijen voor elektrische auto's of lichtere vliegtuigen) sneller, goedkoper en toegankelijker voor iedereen.

Technische samenvatting

Titel: evoxels: Een differentieerbaar fysisch raamwerk voor voxel-gebaseerde microstructuur-simulaties

Auteurs: Simon Daubner, Alexander E. Cohen, Benjamin Dörich, en Samuel J. Cooper.
Affiliaties: Imperial College London, MIT, en Karlsruhe Institute of Technology.

---

1. Het Probleem

In de materiaalkunde is het begrijpen van de relatie tussen microstructuur en materiaaleigenschappen een fundamentele uitdaging. Hoewel er steeds meer hoogwaardige 3D-beeldvormingsdata beschikbaar is (via FIB-SEM, X-ray CT, synchrotron tomografie), blijft de pijplijn van experimentele data naar simulatie gefragmenteerd.

De belangrijkste knelpunten zijn:

• Gebrek aan interoperabiliteit: Bestaande simulatietools werken zelden direct op gesegmenteerde voxel-data. Ze vereisen vaak kostbare en complexe mesh-generatie (bijv. voor FEM), wat de reproduceerbaarheid en data-uitwisseling bemoeilijkt.
• Beperkte open-source frameworks: Er is een gebrek aan schaalbare, open-source Python-implementaties voor complexe PDE's (zoals de Cahn-Hilliard vergelijking) die geschikt zijn voor 3D microstructuren.
• Moeilijkheden bij inverse ontwerpen: Traditionele op mesh gebaseerde solvers (FEM) zijn vaak niet geschikt voor differentieerbare fysica, wat essentieel is voor inverse problemen, parameter-schatting en het trainen van neurale netwerken voor materiaalontwerp.
• Rekenkundige inefficiëntie: Bestaande Python-bibliotheken (zoals torchode of Diffrax) gebruiken vaak algemene ODE-integratoren die niet optimaal zijn voor stijve, hoge-resolutie problemen, wat leidt tot onpraktische rekentijden en geheugengebruik.

2. Methodologie

evoxels is een volledig Python-gebaseerd, differentieerbaar fysisch raamwerk dat is ontworpen om direct te werken met 3D-voxeldata. De kernmethodologie omvat:

• Voxel-gebaseerde representatie: In plaats van meshes gebruikt het een uniform rooster (voxelgrid). Dit maakt het direct compatibel met microscopie-data en elimineert de noodzaak voor mesh-generatie.
• Differentieerbare Fysica: Het raamwerk is gebouwd op PyTorch en JAX. Dit stelt gebruikers in staat om automatisch differentiatie (autograd) te gebruiken voor end-to-end parameterleer en inverse modellering.
• Spectrale Oplossingsmethoden:
  • De solver maakt gebruik van geavanceerde Fourier-spectrale tijdstappen (pseudo-spectrale methoden).
  • Er wordt gebruikgemaakt van semi-impliciete tijdstappers (IMEX) en exponentiële integratoren.
  • De methode splitst de lineaire en niet-lineaire delen van de PDE. De lineaire delen worden exact opgelost in de Fourier-ruimte (via FFT), terwijl de niet-lineaire delen in de ruimtelijke domein worden berekend. Dit zorgt voor grotere stabiele tijdstappen vergeleken met expliciete methoden.
• Architectuur:
  • VoxelFields: Een uniforme container (NumPy-gebaseerd) voor 3D-velden, geoptimaliseerd voor I/O met bibliotheken zoals tifffile, h5py en visualisatie met napari of PyVista.
  • VoxelGrid: Koppelt de velden aan de backend (PyTorch of JAX) en biedt vooraf gedefinieerde randvoorwaarden, finite difference stencils en FFT-bibliotheken.
• Randvoorwaarden en Gladde Grenzen: Het raamwerk implementeert de "Smoothed Boundary Method" (SBM). Hierbij wordt een indicatorfunctie gebruikt om de diffusie binnen een complexe microstructuur te modelleren zonder dat de randen expliciet hoeven te worden gemeshed. Dit maakt het mogelijk om PDE's op vaste roosters op te lossen die complexe geometrieën volgen.

3. Belangrijkste Bijdragen

• Eerste schaalbare Python-implementatie: evoxels biedt de eerste schaalbare 3D-implementatie voor problemen zoals de Cahn-Hilliard vergelijking, volledig geschreven in Python en compatibel met GPU-acceleratie.
• Differentieerbaarheid voor Inverse Ontwerp: Het maakt het mogelijk om microstructuur-ontwerp en procesoptimalisatie direct te koppelen aan prestatiedoelstellingen via gradiëntafdaal (gradient descent), wat moeilijk is met traditionele FEM-solvers.
• Hoge prestaties op consumenthardware: Dankzij JIT-compilatie (Just-In-Time) en efficiënt geheugengebruik (in-place updates) kan het raamwerk simulaties uitvoeren met honderden miljoenen vrijheidsgraden (DOF) op standaard laptop-GPU's (bijv. NVIDIA RTX 500 Ada) en miljarden DOF op datacenter-GPU's.
• Modulariteit en Reproduceerbaarheid: Het biedt een modulaire architectuur voor het snel prototypen van nieuwe PDE's, inclusief ingebouwde convergentietests om de correcte orde van discretisatie te garanderen.

4. Resultaten

De auteurs hebben de prestaties van evoxels vergeleken met state-of-the-art Python-bibliotheken (torchode, Diffrax) en andere methoden:

• Snelheid: Voor het stijve, vierde-orde Cahn-Hilliard probleem (spinodale decompositie) is de native pseudo-spectrale IMEX solver van evoxels 1 tot 2 orde van grootte sneller dan algemene ODE-integratoren.
• Geheugenefficiëntie: evoxels vereist aanzienlijk minder GPU-geheugen. Terwijl volledig impliciete schema's (zoals Implicit Euler in Diffrax) de GPU-geheugen opvullen bij matig grote roosters (< 100³), kan evoxels roosters van 400³ (op laptop) en 1024³ (op datacenter) verwerken.
• Scalabiliteit:
  • Op een NVIDIA RTX 500 Ada (4GB VRAM) werd een forward simulatie uitgevoerd met 400³ voxels.
  • Op een NVIDIA RTX A6000 werd een simulatie uitgevoerd met 1024³ voxels (miljarden DOF).
• Convergentie: De implementatie toont de verwachte convergentie-orde voor verschillende randvoorwaarden en stencils, wat de numerieke robuustheid bevestigt.

5. Betekenis en Impact

evoxels vult een unieke niche in de computergestuurde materiaalkunde:

• Brug tussen Experiment en Theorie: Het stelt experimentatoren in staat om direct gesegmenteerde microscopie-data (zoals FIB-SEM of X-ray tomogrammen) in te voeren voor high-performance simulaties, zonder complexe preprocessing.
• Democratisering van Inverse Ontwerp: Het maakt geavanceerde inverse ontwerpmethoden (waarbij men start bij de gewenste eigenschappen en terugwerkt naar de microstructuur) toegankelijk voor een breder publiek, zonder de overhead van gespecialiseerde, proprietary software.
• Toekomstgerichte Ontwikkeling: Het raamwerk ondersteunt de integratie van machine learning, generatieve modellen voor optimale microstructuren en het gezamenlijk optimaliseren van verwerking en eigenschappen.
• Open Science: Als volledig open-source, reproduceerbaar framework draagt het bij aan de transparantie en herhaalbaarheid in de digitale materiaalkunde, een veld dat vaak wordt gedomineerd door gesloten, commerciële codes.

Kortom, evoxels is een krachtig, lichtgewicht en strikt getest instrument dat de barrières voor hoog-resolutie, differentieerbare microstructuur-simulaties verlaagt en de weg effent voor data-gedreven materiaalontdekking.