Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning

Resumo Técnico: Surrogatos Neurais para Dinâmica de Crescimento Cristalino com Supersaturação Variável

1. Problema e Contexto

A simulação de crescimento de cristais e a evolução de microestruturas em materiais é fundamental para a ciência dos materiais, mas frequentemente envolve custos computacionais elevados devido à necessidade de resolver equações diferenciais parciais (EDPs) acopladas e não lineares, como as abordagens de campo de fase (Phase-Field). Métodos tradicionais, como o modelo de Allen-Cahn com anisotropia cinética para simular facetas cristalinas, exigem malhas finas e integração temporal rigorosa.

O objetivo deste trabalho é desenvolver e comparar surrogatos neurais (modelos de substituição) baseados em Redes Neurais Convolucionais Recorrentes (CRNN) para acelerar essas simulações. O desafio central é lidar com supersaturação variável ($\Delta\mu$), um parâmetro crítico que controla não apenas a taxa global de crescimento, mas também a morfologia detalhada das facetas cristalinas. O estudo investiga duas abordagens distintas para incorporar essa variabilidade:

1. Condicionamento Implícito: O modelo infere a supersaturação a partir de uma sequência curta de quadros iniciais (mini-sequência).
2. Condicionamento Explícito: O modelo recebe o valor da supersaturação como um parâmetro de entrada direto, junto com um único quadro inicial.

2. Metodologia

• Simulações de Campo de Fase (Ground Truth):

  • Utilizou-se um modelo bidimensional de Allen-Cahn para descrever a evolução temporal da ordem $\phi$ (diferenciando fase cristalina de líquida/gasosa).
  • Foi introduzido um coeficiente cinético anisotrópico ($k(\alpha)$) para gerar morfologias hexagonais facetadas, essenciais para simulações realistas.
  • A supersaturação ($\Delta\mu$) variou uniformemente no intervalo $[0.2, 0.8]$, afetando tanto a velocidade de crescimento quanto a curvatura das arestas.
  • Foram gerados 7.500 conjuntos de dados de simulação, cada um contendo 200 quadros temporais em domínios de $128 \times 128$.

• Arquiteturas de Redes Neurais (CRNN):

  • Ambas as arquiteturas utilizam camadas recorrentes empilhadas do tipo ConvGRU (Convolutional Gated Recurrent Unit) com 3 camadas e 16 canais, totalizando ~140.000 parâmetros.
  • O objetivo da rede é prever o resíduo (diferença) entre o estado atual e o próximo, somando-o ao campo de fase atual.
  • Arquitetura NNseq (Implícita): Recebe uma mini-sequência de $s$ quadros iniciais (sem o valor de $\Delta\mu$) e deve inferir a dinâmica e prever a evolução futura.
  • Arquitetura NNpar (Explícita): Recebe um único quadro inicial concatenado com um tensor espacial constante contendo o valor de $\Delta\mu$.

• Treinamento e Avaliação:

  • Os modelos foram treinados com o otimizador Adam e uma função de perda de Erro Quadrático Médio (MSE).
  • Foi utilizada a técnica de curriculum learning para aumentar gradualmente a complexidade da previsão.
  • A avaliação foi realizada em um conjunto de teste independente de 2.500 sequências, analisando o Erro Absoluto Médio (MAE) ao longo do tempo, a capacidade de generalização para domínios maiores (até $2048 \times 2048$) e para diferentes densidades de sementes iniciais.

3. Contribuições Principais

1. Comparação Quantitativa de Estratégias de Condicionamento: O estudo fornece a primeira comparação direta e sistemática entre o condicionamento explícito de parâmetros e a inferência implícita baseada em sequências temporais para dinâmica de crescimento cristalino.
2. Eficiência de Dados: Demonstra que o condicionamento explícito é significativamente mais eficiente em termos de dados. Para atingir a mesma precisão, a abordagem implícita (NNseq) requer um conjunto de dados de treinamento aproximadamente 15 vezes maior do que a abordagem explícita (NNpar).
3. Validação de Generalização: Prova que os modelos treinados em domínios pequenos podem ser aplicados com alta fidelidade a domínios 256 vezes maiores e a sequências temporais mais de 10 vezes mais longas que as de treinamento, com acúmulo de erro controlado.
4. Análise de Sensibilidade Morfológica: Mostra que os modelos não apenas aprendem a escalar a taxa de crescimento, mas capturam corretamente as nuances morfológicas (arredondamento vs. pontas afiadas) induzidas pela supersaturação.

4. Resultados Chave

• Desempenho de Precisão:

  • O modelo NNpar (condicionamento explícito) superou consistentemente o NNseq. O melhor modelo NNpar ($NN5k_{\Delta\mu}$, treinado com 5.000 amostras) atingiu um MAE mediano de 0,011, com mais de 90% das previsões tendo erro abaixo de 0,018.
  • O modelo NNseq exigiu o maior conjunto de dados possível (7.500 amostras) para atingir desempenho comparável (MAE mediano de 0,043), e mesmo assim, sua performance foi inferior, especialmente em baixas supersaturações.
  • Em baixas supersaturações ($\Delta\mu < 0.3$), o modelo NNseq falhou em inferir corretamente a taxa de evolução a partir de poucas imagens, resultando em erros acumulados significativos.

• Generalização Espacial e Temporal:

  • Ambos os modelos demonstraram excelente escalabilidade. Ao serem aplicados a domínios de $2048 \times 2048$ (256x o tamanho de treinamento), o erro máximo de MAE permaneceu baixo (0,010 para NNpar e 0,035 para NNseq), indicando que a natureza totalmente convolucional permite generalização perfeita para tamanhos de domínio arbitrários.
  • A capacidade de extrapolação temporal foi confirmada, com previsões estáveis para sequências 10 vezes mais longas que as de treinamento.

• Robustez a Condições Iniciais:

  • Os modelos generalizaram bem para diferentes densidades de sementes iniciais (cobertura inicial $\theta_0$), mantendo precisão para coberturas tão baixas quanto 0,03, embora o desempenho degrade para coberturas extremamente baixas.

5. Significado e Conclusões

O estudo conclui que, para problemas de dinâmica de materiais onde os parâmetros de controle (como supersaturação) são conhecidos ou podem ser medidos, o condicionamento explícito é a estratégia superior. Ele oferece maior precisão, requer menos dados de treinamento e é mais robusto a variações de parâmetros.

A abordagem de inferência implícita (via mini-sequências) só é justificável em cenários experimentais onde os parâmetros de acionamento são desconhecidos ou não mensuráveis, mas impõe um custo computacional de treinamento muito mais alto e uma menor precisão.

Além disso, o trabalho valida o uso de surrogatos neurais CRNN como ferramentas viáveis para simulações de crescimento cristalino em escalas macroscópicas e temporais longas, superando as limitações de custo computacional dos métodos de campo de fase tradicionais, especialmente quando executados em GPUs. Os autores destacam que, embora o modelo de Allen-Cahn simples não seja computacionalmente pesado o suficiente para justificar a aceleração em CPU, a abordagem é promissora para sistemas não-lineares mais complexos e custosos.

Disponibilidade: Os dados e o código fonte estão disponíveis publicamente no Materials Cloud Archive e no GitHub, respectivamente, facilitando a reprodutibilidade e o avanço da área.