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

Resumo Técnico: Unindo o Modelo de Campo de Fase e o Aprendizado Profundo para a Predição da Evolução Microestrutural em Ligas Ternárias

Definição do Problema
A decomposição espinodal (DE) em sistemas de ligas ternárias e de ordem superior é um mecanismo crítico para a geração de materiais nanoporosos bicontínuos e hierárquicos complexos, utilizados em aplicações de nanotemplos e catálise. Embora a teoria de Cahn-Hilliard forneça uma estrutura fundamental para compreender a DE, a modelagem desses processos em sistemas ternários tridimensionais (3D) apresenta desafios significativos. Os modelos de campo de fase (PFM) tradicionais são computacionalmente dispendiosos, particularmente ao simular a dinâmica de coalescência de longo prazo necessária para atingir microestruturas em estágios tardios. Além disso, as abordagens existentes de aprendizado de máquina (ML) para a predição de microestruturas têm sido amplamente limitadas a sistemas binários ou efetivamente bifásicos, deixando a complexa decomposição espinodal de três fases em ligas ternárias 3D amplamente inexplorada. O problema central abordado é a necessidade de um método computacionalmente eficiente, porém fisicamente preciso, para prever a evolução espaço-temporal de microestruturas nesses sistemas multicomponentes complexos.

Metodologia
Os autores propõem um framework híbrido que integra simulações de campo de fase baseadas em física com uma arquitetura de aprendizado profundo (DL) aprimorada por atenção. A metodologia é estruturada em três componentes primários:

1. Geração de Dados Baseada em Física (Modelo de Campo de Fase):

   • Um modelo de Cahn-Hilliard ternário é empregado para simular a decomposição espinodal em sistemas A-B-C. O modelo utiliza uma função de energia livre de solução regular com parâmetros de interação ($\chi_{ij} > 2.0$) para garantir um hiato de miscibilidade de três fases.
   • As equações governantes são resolvidas utilizando um método espectral de Fourier semi-implícito. Para enfrentar os gargalos computacionais, o solver é implementado em CUDA C, aproveitando a aceleração por GPU (NVIDIA RTX A5000) para gerar dados de treinamento de alta fidelidade.
   • As simulações são conduzidas tanto em domínios 2D ($256 \times 256$) quanto 3D ($128 \times 128 \times 128$) através de várias composições de liga, capturando a instabilidade de estágio inicial e a coalescência de estágio tardio.

2. Arquitetura de Aprendizado Profundo:

   • Redução de Dimensionalidade: Uma arquitetura de autoencoder comprime imagens microestruturais de alta resolução (2D: $256 \times 256 \times 3$; 3D: $128 \times 128 \times 128 \times 3$) em um espaço latente compacto. Esta etapa preserva características físicas essenciais enquanto reduz a carga computacional.
   • Predição Espaço-Temporal: Uma rede ConvLSTM (Long Short-Term Memory Convolucional) aumentada por atenção opera dentro do espaço latente. Ela recebe uma sequência de cinco quadros microestruturais consecutivos como entrada para prever estados subsequentes. O mecanismo de atenção (tipo Bahdanau) permite que o modelo foque dinamicamente em características espaciais e temporais relevantes, melhorando a precisão da predição de longo alcance.
   • Extensão 3D: Uma estratégia inovadora de "fatia por fatia" (slice-by-slice) é empregada para predições 3D. O volume 3D é decomposto em fatias 2D, preditas usando o modelo 2D treinado, e remontadas. Esta abordagem aproveita a eficiência do modelo 2D enquanto mantém a coerência espacial ao longo da terceira dimensão.

3. Estratégia de Treinamento:

   • O modelo é treinado em dados de campo de fase de 12 composições diferentes.
   • A função de perda combina o Erro Quadrático Médio (MSE) com um termo de coerência temporal ($L_{temporal}$) para garantir transições suaves entre os quadros preditos, mantendo a consistência física.
   • O treinamento utiliza o otimizador Adam com clipping de gradiente.

Principais Contribuições

• Identificação do Mecanismo de Três Fases: O estudo captura e classifica com sucesso três mecanismos distintos de separação de fases em ligas ternárias: (i) formação simultânea de três fases em composições equimolares, (ii) separação em dois estágios do Tipo I (segregação inicial de B/C seguida por segregação de A nas interfaces) e (iii) separação em dois estágios do Tipo II (segregação inicial de regiões ricas em A/pobres em A seguida por segregação de B/C dentro das regiões pobres em A).
• Framework de Simulação Híbrido: O artigo introduz uma estratégia onde o PFM captura a rápida evolução inicial, enquanto o modelo de DL prevê eficientemente a coalescência de estágio tardio. Isso une a fidelidade física à velocidade computacional.
• Generalização 3D: O desenvolvimento de um método de predição fatia por fatia permite a extensão de modelos treinados em 2D para sistemas 3D sem a necessidade de treinar uma rede 3D completa, equilibrando efetivamente precisão e custo computacional.
• Capacidade de Generalização: O modelo demonstra a capacidade de generalizar para composições fora da distribuição de treinamento e prever a evolução microestrutural até 400 passos além do horizonte de treinamento (até $t=1400$).

Resultados

• Precisão Preditiva: O modelo de DL treinado alcança alta fidelidade. Para predições 2D, o MSE varia de 0,0514 a 0,0928 nos estágios iniciais e melhora para 0,0052–0,0248 nos estágios tardios. Para predições 3D, os valores de MSE são ligeiramente superiores, mas seguem uma tendência semelhante, variando de 0,0537 a 0,1153 nos estágios iniciais e de 0,0179 a 0,0339 nos estágios tardios.
• Predição de Longo Prazo: O modelo mantém uma precisão notável ao prever 400 passos à frente (até $t=1400$) para composições não vistas, com valores de MSE 2D permanecendo baixos (0,0239 a 0,0680).
• Eficiência Computacional: A abordagem híbrida oferece acelerações significativas. Em uma GPU NVIDIA RTX A5000, o modelo de ML prediz um quadro 2D em 0,04 segundos e um quadro 3D em 14,03 segundos. Em contraste, o solver de campo de fase acelerado por GPU requer 0,456 segundos para quadros 2D e 29,9 segundos para quadros 3D.
• Captura de Mecanismo: O modelo reproduz com sucesso a complexa evolução morfológica, incluindo a transição de redes interconectadas para estruturas coalescidas, e retém frações de volume de fase consistentes com as simulações físicas.

Significância e Alegações
Os autores afirmam que este trabalho estabelece uma plataforma robusta para a modelagem preditiva da evolução microestrutural em sistemas multicomponentes complexos. Ao integrar a fidelidade física dos modelos de campo de fase com a eficiência computacional do aprendizado profundo, o framework supera as limitações das simulações tradicionais para sistemas ternários 3D de três fases. O estudo demonstra que a modelagem de campo de fase assistida por ML pode ser estendida além dos estudos binários e 2D para lidar com a verdadeira decomposição espinodal de três fases. Os autores posicionam esta metodologia como uma ferramenta valiosa para a engenharia de microestruturas 2D e 3D com topologia e funcionalidade customizadas, especificamente para aplicações avançadas de nanotemplos e para o design de estruturas nanoporosas multifásicas para catálise. O trabalho não pretende substituir os modelos baseados em física, mas sim acelerar a predição da dinâmica de estágio tardio, onde as simulações físicas tornam-se proibitivamente caras.