Physics-guided Convolutional Neural Network for Domain Growth Prediction in Systems with Conserved Kinetics

Resumo Técnico: Rede Neural Convolucional Guiada por Física para Predição de Crescimento de Domínios

Definição do Problema
A evolução espaço-temporal de sistemas físicos complexos, como a separação de fases em misturas binárias, é governada por equações diferenciais parciais (PDEs) não lineares, especificamente a equação de Cahn–Hilliard (CH). Solvers numéricos tradicionais (ex: diferenças finitas, elementos finitos) são computacionalmente dispendiosos e enfrentam desafios de escalabilidade em arquiteturas modernas. Embora o aprendizado de máquina (ML) ofereça alternativas de modelagem substituta (surrogate), as abordagens existentes enfrentam limitações específicas quando aplicadas a cinéticas conservadas:

• Redes Neurais Informadas por Física (PINNs): Têm dificuldade com as derivadas espaciais de quarta ordem inerentes à equação CH, o que leva a uma propagação instável de gradientes. Elas também sofrem de viés espectral, favorecendo soluções suaves em detrimento das interfaces nítidas típicas da separação de fases, e frequentemente falham em impor naturalmente a conservação do parâmetro de ordem.
• Surrogates Baseados em Dados (ex: RNNs, CNNs padrão): Embora eficientes, esses modelos frequentemente falham em preservar a conservação do parâmetro de ordem durante rollouts autorregressivos de longo prazo. Pequenos erros de predição acumulam-se ao longo do tempo, levando a uma perda gradual da quantidade conservada e a dinâmicas fisicamente inconsistentes.

Metodologia
Os autores propõem uma rede neural convolucional baseada em atenção e guiada por física, projetada especificamente para modelar sistemas com cinéticas conservadas. A metodologia integra a arquitetura de aprendizado profundo com restrições físicas:

1. Arquitetura: O modelo é baseado em uma arquitetura Residual U-Net, composta por um caminho de contração, uma ponte central e um caminho de expansão.

   • Blocos Residuais: Cada caminho utiliza blocos residuais contendo normalização de grupo (GN), ativação GeLU e camadas convolucionais com preenchimento circular (circular padding) para facilitar o treinamento de redes profundas.
   • Mecanismo de Atenção: Um bloco de autoatenção é incorporado na ponte central na menor resolução espacial (maior campo receptivo). Isso permite que a rede capture correlações espaciais globais e a evolução morfológica em larga escala, complementando as características convolucionais locais.
   • Upsampling/Downsampling: A rede emprega convoluções com salto (strided convolutions) para downsampling e convoluções transpostas para upsampling, com conexões de salto (skip connections) para preservar detalhes espaciais.

2. Função de Perda Guiada por Física: Para impor a lei de conservação intrínseca da equação CH, o objetivo de treinamento inclui uma função de perda composta:

   • Fidelidade de Dados: Erro Quadrático Médio (MSE) entre os campos preditos e o ground-truth.
   • Restrição de Conservação: Um termo de penalidade adicional ($L_{\langle\psi\rangle}$) que minimiza o desvio quadrático entre a média espacial do campo predito e o ground-truth. Isso garante explicitamente a conservação global do parâmetro de ordem ($\psi$) durante toda a evolução.
   • Perda Total: $L = L_{MSE} + \alpha L_{\langle\psi\rangle}$, onde $\alpha$ controla a força de regularização.

3. Protocolo de Treinamento:

   • Geração de Dados: Os dados de treinamento foram gerados resolvendo numericamente a equação CH adimensional usando um método de diferenças finitas em uma rede de $64 \times 64$.
   • Dataset: O conjunto de dados inclui 20 trajetórias independentes cobrindo composições críticas ($\psi_0 = 0$) e fora do ponto crítico ($\psi_0 = \pm 0.2, \pm 0.4$) sobre um intervalo de tempo $t \in [0, 300]$.
   • Tarefa: O modelo é treinado para prever um snapshot em $t + 100\Delta t$ dado um snapshot em $t$. A evolução de longo prazo é gerada via inferência autorregressiva recursiva.

Principais Resultados
O framework proposto foi avaliado tanto em misturas críticas quanto fora do ponto crítico, demonstrando alta fidelidade na captura de dinâmicas complexas:

• Conservação do Parâmetro de Ordem: O modelo consegue manter a média espacial do parâmetro de ordem ($\langle\psi\rangle$) constante ao longo do tempo para composições críticas e fora do ponto crítico, preservando efetivamente a lei de conservação global mesmo durante rollouts de longo prazo.
• Precisão Morfológica:
  • Misturas Críticas: O modelo reproduz com precisão a morfologia bicontínua e o amadurecimento de domínios (coarsening). Os erros são concentrados principalmente nas fronteiras dos domínios e acumulam-se muito lentamente, mantendo a estabilidade em horizontes de longo prazo.
  • Misturas Fora do Ponto Crítico: Embora a precisão degrade ligeiramente mais rápido do que nos casos críticos devido à complexidade da coalescência e ruptura de gotículas, o modelo ainda captura a morfologia geral das gotículas e permanece estável em escalas de tempo estendidas.
• Generalização: O modelo, treinado em sistemas de $64 \times 64$, prevê com sucesso a dinâmica para tamanhos de sistema maiores ($160, 192, 256$) sem degradação perceptível na precisão.
• Consistência Física:
  • Leis de Crescimento: O crescimento de domínios previsto segue a lei de Lifshitz–Slyozov ($L(t) \sim t^{1/3}$) com alta precisão, correspondendo aos solvers numéricos para casos críticos e fora do ponto crítico.
  • Escalonamento Dinâmico: O modelo reproduz a hipótese de escalonamento dinâmico, onde as funções de correlação $C(r,t)$ colapsam em uma curva mestra universal quando plotadas contra a distância reescalonada $r/L(t)$.
  • Distribuições Estatísticas: A distribuição de probabilidade do parâmetro de ordem $P(\psi)$ coincide com os resultados numéricos, capturando corretamente a simetria em misturas críticas e a assimetria em misturas fora do ponto crítico.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma alternativa robusta e baseada em dados para modelar sistemas com cinéticas conservadas. Sua principal significância reside na integração explícita de leis de conservação física na função de perda, o que evita o acúmulo de erros não físicos comuns em modelos de ML autorregressivos padrão.

Os autores enfatizam que o modelo não apenas alcança precisão pixel a pixel, mas aprende com sucesso os comportamentos estatísticos e dinâmicos subjacentes do sistema. Isso inclui:

1. Preservar a quantidade conservada (parâmetro de ordem) ao longo de longas escalas de tempo.
2. Capturar a cinética de crescimento correta (lei de Lifshitz–Slyozov).
3. Reproduzir o escalonamento dinâmico e a evolução morfológica.

O trabalho sugere que esta abordagem pode ser estendida a outros sistemas dinâmicos complexos governados por cinéticas conservadas, desde que a lei de conservação específica seja conhecida e possa ser codificada no objetivo de treinamento. Os autores observam que trabalhos futuros podem visar aprender essas leis de conservação diretamente durante o treinamento, em vez de exigir o conhecimento prévio delas.