DeepRitzSplit Neural Operator for Phase-Field Models via Energy Splitting

Titel: DeepRitzSplit: Neuraal Operator voor Faseveldmodellen via Energiesplitsing

Auteurs: Chih-Kang Huang, Ludovick Gagnon, Miha Založnik, Benoît Appolaire
Instituut: Université de Lorraine, CNRS, Inria (Frankrijk)
Datum: April 2026 (voorgesteld)

---

1. Probleemstelling

Faseveldmodellen (phase-field models) worden veel gebruikt om microstructuur-evolutie in materialen te simuleren, zoals bij het stollen van metalen (bijv. additieve productie). Deze modellen worden beschreven door niet-lineaire partiële differentiaalvergelijkingen (PDE's) met meerdere schaalniveaus.

• Uitdaging: Traditionele numerieke methoden (zoals eindige differenties, eindige elementen of spectrale methoden) vereisen zeer fijne ruimtelijke en tijdsdiscretisatie om de fysica correct op te lossen. Dit leidt tot enorme rekentijden, wat grootschalige simulaties en uitgebreide parameterstudies onhaalbaar maakt.
• Bestaande AI-oplossingen: Neuraal operators (die mappingen tussen functieruimtes leren) bieden een alternatief. Echter, puur datagedreven methoden (supervised learning) vereisen grote datasets, lijden vaak onder overfitting, en hebben moeite met generalisatie naar onbekende randvoorwaarden of lange-termijnvoorspellingen. Physics-Informed Neural Networks (PINNs) lossen dit deels op, maar missen vaak de flexibiliteit om voor verschillende randvoorwaarden te generaliseren zonder hertraining, en hebben moeite met convergentie bij complexe, niet-lineaire problemen.

2. Methodologie

De auteurs stellen een nieuwe aanpak voor die klassieke convex-concave splitsingsmethoden combineert met physics-informed learning.

A. DeepRitzSplit Methode

De kern van de methode is het toepassen van de Deep Ritz-methode op gradient flows, gebaseerd op een semi-impliciete energiesplitsing.

• Energiesplitsing: De vrije-energiefunctional $E(u)$ wordt opgesplitst in een convex deel $E_1(u)$ en een concave deel $E_2(u)$.
• Variatievormulering: In plaats van de PDE-residuen te minimaliseren (zoals bij PINNs), minimaliseert het model een variatievormulering die direct voortkomt uit het numerieke splitsingsschema:
  $$u^{n+1} = \arg \min_{u} \left( \frac{1}{2dt}\|u - u^n\|^2 + E_1(u) + E_2(u^n) + \langle \nabla E_2(u^n), u - u^n \rangle \right)$$
• Voordeel: Door de concave term te lineariseren rond de huidige toestand en de convexe term impliciet te houden, wordt de energie-dissipatie-eigenschap (de energie neemt altijd af) gegarandeerd, ongeacht de grootte van de tijdstap ($dt$). Dit zorgt voor onvoorwaardelijke stabiliteit, iets wat bij veel andere neurale netwerken niet gegarandeerd is.
• Onsupervised: Het model wordt getraind zonder vooraf gegenereerde datasets van oplossingen. De "loss" wordt direct berekend uit de fysieke vergelijkingen en de initiële condities.

B. RDNO Architectuur (Reaction-Diffusion Neural Operator)

De auteurs introduceren een aangepaste architectuur die de structuur van het splitsingsschema nabootst:

• Opbouw: Het netwerk bestaat uit twee blokken: een Reactie-blok ($R_\theta$) en een Diffusie-blok ($D_\theta$).
  • Reactie-blok: Verwerkt de niet-lineaire, lokale termen (vaak expliciet behandeld in het splitsingsschema).
  • Diffusie-blok: Verwerkt de lineaire, diffusie-termen (impliciet behandeld).
• Implementatie: Het reactie-blok bestaat uit convolutielaagjes, terwijl het diffusie-blok vaak een UNet-achtige structuur gebruikt om de inverse van de lineaire operator te benaderen.
• Voordeel: Deze architectuur is fysiek intuïtief, vereist minder hyperparameters dan een algemene UNet, en is sneller in training.

3. Belangrijkste Bijdragen

1. DeepRitzSplit: Een nieuwe neurale operator die onvoorwaardelijk stabiel is door de integratie van convex-concave energiesplitsing in de Deep Ritz-lossfunctie.
2. RDNO Architectuur: Een specifieke netwerkstructuur die is ontworpen voor reactie-diffusie systemen, wat leidt tot betere trainings-efficiëntie en interpretatie.
3. Generalisatie: Bewijs dat deze physics-informed aanpak beter generaliseert naar "out-of-distribution" (OOD) scenario's (bijv. willekeurige velden of andere geometrieën) dan traditionele datagedreven methoden.
4. Preconditionering: Een strategie waarbij DeepRitzSplit wordt gebruikt als "warm start" (preconditioner) voor verdere verfijning via residu-minimalisatie, wat nodig is voor hoge precisie bij complexe vormen (zoals takkenpuntstralen).

4. Resultaten

De methode werd getest op twee modellen:

A. Isotrope Allen-Cahn Vergelijking (Fasescheiding)

• Vergelijking: DeepRitzSplit (onbewaakt) vs. Datagedreven (bewaakt) vs. Traditionele Spectrale Methode.
• Resultaten:
  • DeepRitzSplit met RDNO of UNet behaalde een veel lagere foutmarge dan datagedreven methoden, vooral bij OOD-data (bijv. willekeurige velden waar datagedreven methoden volledig faalden).
  • De energie-dissipatie werd correct behouden.
  • Snelheid: Neurale operators waren sneller in inferentie dan de spectrale methode, hoewel de spectrale methode voor deze simpele vergelijking nog steeds snel was.
  • Architectuur: RDNO presteerde beter op lange termijn dan UNet en FNO (Fourier Neural Operator). FNO faalde hier vanwege de specifieke structuur van de convolutiekernel in het splitsingsschema.

B. Anisotrope Dendriete Groei (Karma-Rappel Model)

Dit is een complexer, gekoppeld systeem voor temperatuur en fase-evolutie.

• Resultaten:
  • DeepRitzSplit slaagde erin de groeisnelheid van de dendrieten (tip velocity) en het vaste fase-aandeel nauwkeurig te voorspellen.
  • Beperking: De voorspelling van de kromtestraal van de tip (tip radius) was minder nauwkeurig omdat de variatievormulering voornamelijk eerste-orde termen bevat.
  • Oplossing: Door DeepRitzSplit te gebruiken als preconditioner en daarna het model te verfijnen met de directe PDE-residuen (scheme residuals), verbeterde de nauwkeurigheid van de tip-radius aanzienlijk (van ~280% fout naar ~19% fout), hoewel de rekentijd hierdoor toenam.
  • Multi-grain Generalisatie: Een model getraind op 1-3 korrels generaliseerde goed naar simulaties met 16 korrels, wat cruciaal is voor praktische toepassingen. RDNO bleek hier robuuster dan UNet.

5. Betekenis en Conclusie

Dit paper introduceert een doorbraak in het gebruik van AI voor faseveldsimulaties:

• Fysische consistentie: Door de energiesplitsing direct in het leerproces te integreren, wordt de fundamentele thermodynamische eigenschap (energie-dissipatie) gewaarborgd, wat essentieel is voor stabiele simulaties.
• Efficiëntie: De methode biedt een snellere inferentie dan traditionele spectrale methoden, wat schaalbaarheid mogelijk maakt.
• Robuustheid: De onbewaakte, physics-informed training vereist geen enorme datasets en generaliseert beter naar nieuwe situaties dan pure datagedreven benaderingen.
• Toekomst: De RDNO-architectuur biedt een interpreteerbaar alternatief voor complexe numerieke solvers. De combinatie van DeepRitzSplit als preconditioner voor verdere verfijning biedt een veelbelovende route voor hoge-precisie simulaties van complexe microstructuren.

De implementatie is beschikbaar via de JAX-framework en Equinox-bibliotheek, wat herbruikbaarheid voor de wetenschappelijke gemeenschap faciliteert.