Bridging Phase-Field Model and Deep Learning for Predicting 2D and 3D Microstructure Evolution in Ternary Alloys

Technische Samenvatting: Het overbruggen van Faseveldmodellen en Deep Learning voor het voorspellen van Microstructuurontwikkeling in Ternaire Legeringen

Probleemstelling
Spinodale decompositie (SD) in ternaire en hoger orde legeringssystemen is een cruciaal mechanisme voor het genereren van complexe, bicontinue, hiërarchische nanoporeuze materialen die worden gebruikt voor nanotemplate- en katalytische toepassingen. Hoewel de Cahn-Hilliard-theorie een fundamenteel kader biedt voor het begrijpen van SD, vormt het modelleren van deze processen in driedimensionale (3D) ternaire systemen aanzienlijke uitdagingen. Traditionele faseveldmodellen (PFM) zijn computationeel zeer kostbaar, met name bij het simuleren van de langdurige vergrodingsdynamica die vereist is om de laatstadium-microstructuren te bereiken. Bovendien zijn bestaande machine learning (ML)-benaderingen voor microstructuurvoorspelling grotendeels beperkt gebleven tot binaire of effectief tweefase-systemen, waardoor de complexe, drie-fase spinodale decompositie in 3D ternaire legeringen grotendeels onverkend is gebleven. Het kernprobleem dat wordt aangepakt, is de behoefte aan een computationeel efficiënte, maar fysiek nauwkeurige methode om de spatiotemporele evolutie van microstructuren in deze complexe multicomponent-systemen te voorspellen.

Methodologie
De auteurs stellen een hybride framework voor dat de integratie van fysische faseveldsimulaties met een op aandacht gebaseerde (attention-enhanced) deep learning-architectuur combineert. De methodologie is gestructureerd in drie primaire componenten:

1. Fysica-gebaseerde Datageneratie (Faseveldmodel):

   • Een ternair Cahn-Hilliard-model wordt toegepast om spinodale decompositie in A-B-C-systemen te simuleren. Het model maakt gebruik van een regelmatige oplossingsvrije energiefunctie met interactieparameters ($\chi_{ij} > 2.0$) om een drie-fase mengbaarheidsgat te garanderen.
   • De sturende vergelijkingen worden opgelost met behulp van een semi-impliciete Fourier-spectrale methode. Om computationele knelpunten aan te pakken, is de solver geïmplementeerd in CUDA C, waarbij gebruik wordt gemaakt van GPU-versnelling (NVIDIA RTX A5000) om hoogwaardige trainingsdata te genereren.
   • Simulaties worden uitgevoerd in zowel 2D ($256 \times 256$) als 3D ($128 \times 128 \times 128$) domeinen over diverse legeringscomposities, waarbij zowel de vroege stadium-instabiliteit als de late stadium-vergroding worden vastgelegd.

2. Deep Learning Architectuur:

   • Dimensiereductie: Een autoencoder-architectuur comprimeert hoog-resolutie microstructuurbeelden (2D: $256 \times 256 \times 3$; 3D: $128 \times 128 \times 128 \times 3$) naar een compacte latente ruimte. Deze stap behoudt essentiële fysische kenmerken terwijl de computationele belasting wordt verminderd.
   • Spatiotemporele Voorspelling: Een met aandacht versterkt Convolutional Long Short-Term Memory (ConvLSTM)-netwerk opereert binnen de latente ruimte. Het neemt een sequentie van vijf opeenvolgende microstructuurframes als input om de daaropvolgende toestanden te voorspellen. Het aandachtmechanisme (van het type Bahdanau) stelt het model in staat om dynamisch te focussen op relevante ruimtelijke en temporele kenmerken, wat de nauwkeurigheid van de langetermijnvoorspelling verbetert.
   • 3D-Extensie: Een innovatieve "slice-by-slice"-strategie wordt toegepast voor 3D-voorspellingen. Het 3D-volume wordt gedecomposeerd in 2D-vlakken, voorspeld met behulp van het getrainde 2D-model, en vervolgens weer samengevoegd. Deze aanpak benut de efficiëntie van het 2D-model terwijl de ruimtelijke coherentie over de derde dimensie behouden blijft.

3. Trainingsstrategie:

   • Het model wordt getraind op fasevelddata van 12 verschillende composities.
   • De verliesfunctie combineert de Mean Squared Error (MSE) met een temporele coherentieterm ($L_{temporal}$) om vloeiende overgangen tussen voorspelde frames te waarborgen en de fysische consistentie te handhaven.
   • Training maakt gebruik van de Adam-optimizer met gradient clipping.

Belangrijkste Bijdragen

• Identificatie van het Drie-fase Mechanisme: De studie legt succesvol drie verschillende fase-scheidingsmechanismen vast en classificeert deze in ternaire legeringen: (i) gelijktijdige vorming van drie fasen in equimolaire composities, (ii) Type I twee-staps scheiding (initiële B/C segregatie gevolgd door A-segregatie bij interfaces), en (iii) Type II twee-staps scheiding (initiële A-rijke/A-arme segregatie gevolgd door B/C-segregatie binnen de A-arme regio's).
• Hybride Simulatieframework: Het artikel introduceert een strategie waarbij PFM de snelle vroege stadium-evolutie vastlegt, terwijl het DL-model efficiënt de late stadium-vergroding voorspelt. Dit overbrugt de kloof tussen fysische getrouwheid en computationele snelheid.
• 3D-Generalisatie: De ontwikkeling van een slice-by-slice voorspellingsmethode maakt het mogelijk om 2D-getrainde modellen uit te breiden naar 3D-systemen zonder een volledig 3D-netwerk te hoeven hertrainen, wat een effectieve balans vindt tussen nauwkeurigheid en computationele kosten.
• Generalisatievermogen: Het model vertoont het vermogen om te generaliseren naar composities buiten de trainingsdistributie en voorspelt de microstructuurontwikkeling tot 400 tijdstappen voorbij de trainingshorizon (tot $t=1400$).

Resultaten

• Voorspellende Nauwkeurigheid: Het getrainde DL-model bereikt een hoge getrouwheid. Voor 2D-voorspellingen varieert de MSE van 0,0514 tot 0,0928 in de vroege stadia en verbetert dit naar 0,0052–0,0248 in de late stadia. Voor 3D-voorspellingen zijn de MSE-waarden iets hoger, maar volgen ze een vergelijkbare trend, variërend van 0,0537 tot 0,1153 in de vroege stadia en 0,0179 tot 0,0339 in de late stadia.
• Langetermijnvoorspelling: Het model behoudt een opmerkelijke nauwkeurigheid bij het voorspellen van 400 stappen vooruit (tot $t=1400$) voor ongeziene composities, waarbij de 2D MSE-waarden laag blijven (0,0239 tot 0,0680).
• Computationele Efficiëntie: De hybride aanpak biedt aanzienlijke versnellingen. Op een NVIDIA RTX A5000 GPU voorspelt het ML-model een 2D-frame in 0,04 seconden en een 3D-frame in 14,03 seconden. In contrast hiermee vereist de GPU-versnelde faseveldsolver 0,456 seconden voor 2D-frames en 29,9 seconden voor 3D-frames.
• Mechanisme-vastlegging: Het model reproduceert succesvol de complexe morfologische evolutie, inclusief de overgang van onderling verbonden netwerken naar vergrote structuren, en behoudt fase-volumefracties die consistent zijn met de fysische simulaties.

Betekenis en Claims
De auteurs stellen dat dit werk een robuust platform vestigt voor de voorspellende modellering van microstructuurontwikkeling in complexe multicomponent-systemen. Door de fysische getrouwheid van faseveldmodellen te integreren met de computationele efficiëntie van deep learning, overwint het framework de beperkingen van traditionele simulaties voor 3D ternaire drie-fase spinodale decompositie. De studie demonstreert dat ML-ondersteunde faseveldmodellering kan worden uitgebreid voorbij binaire en 2D-studies om echte drie-fase spinodale decompositie te behandelen. De auteurs positioneren deze methodologie als een waardevol instrument voor het technisch ontwerpen van 2D en 3D microstructuren met op maat gemaakte topologie en functionaliteit, specifiek voor geavanceerde nanotemplate-toepassingen en het ontwerp van nanoporeuze meerfasige structuren voor katalyse. Het werk claimt niet de fysische modellen te vervangen, maar dient om de voorspelling van de late stadium-dynamica te versnellen, waar fysische simulaties prohibitief duur worden.