基于长短期图神经网络–小波信号Transformer的枝晶生长时空预测

《Journal of Materials Research and Technology》：Spatio-Temporal Prediction of Dendrite Growth Based on Long-Short Period Graph Neural Network–Wavelet Signal Transformer

　　

在钛合金激光微熔池快速凝固过程中，六方密排（HCP）α相与体心立方（BCC）β相竞争生长的精确控制对于调控增材制造力学性能至关重要。研究人员提出了一种融合相场晶体（PFC）建模与图神经网络–WaST（GNN-WaST）混合方法的跨尺度预测框架，以阐明Ti合金微熔池中的α/β相竞争机制。PFC计算生成了描述参数依赖型HCP类/BCC类域演化的约化单位密度场与浓度场，从而为代理模型训练提供时空模拟数据集。研究人员引入了GNN-WaST架构，其中WaST模块通过基于小波的时间序列编码捕获相变的多尺度时间动力学，而GNN模块将演化的原子邻域关系映射为图表示以进行局部结构特征提取。这种集成使模型能够学习PFC数据集中包含的密度场、浓度场与HCP类/BCC类域演化之间的相关性。该混合框架在保持可控误差界限内的定量保真度的同时，实现了相对于传统PFC模拟数个数量级的加速。所提出的框架为从激光增材制造中的模拟控制参数预测PFC衍生的微观结构演化建立了一条可扩展的计算路径。

研究背景方面，在Ti-6Al-4V合金激光烧结过程中，熔池凝固机制是决定最终构件整体性能的核心因素，精确阐明熔池内枝晶形态演化对于优化激光增材制造工艺参数及调控构件微观结构与力学性能具有重要理论价值与工程意义。熔池内枝晶形态演化涵盖成核、枝晶生长及固液界面迁移等复杂物理化学过程。传统实验方法虽能提供直接洞察，但存在动态演化时间分辨率受限及成本过高的固有局限。相场晶体（Phase-Field Crystal，PFC）建模虽能基于密度场描述局部结晶有序度与枝晶状形态演化，但计算成本高昂且耗时，单次运行常需数天甚至数周，不适用于实时预测与大规模数据生成。常规图神经网络（Graph Neural Network，GNN）固有设计针对静态图结构，缺乏显式时间建模能力，不足以捕捉枝晶微观结构跨时间尺度的动态演化。为此，研究人员开展本研究，应用GNN-WaST框架预测PFC生成的密度场与浓度场的时空演化，构建混合架构以克服传统PFC方法的计算效率限制，在采样约化参数域内实现PFC生成密度场序列的高保真时空预测。结论表明该框架在保持高结构相似性与可控误差的同时实现数个数量级加速，为智能材料设计提供了理论与工程工具，重要意义在于开创了物理信息神经网络与多尺度建模集成的新范式，并以数据驱动方式重新定义了材料微观结构演化的计算边界。论文发表于《Journal of Materials Research and Technology》。

研究人员采用的主要关键技术方法包括：首先建立无量纲PFC模型，求解Cahn–Hilliard型偏微分方程生成不同η与σ参数下的α/β相演化序列作为数据集；其次构建GNN-WaST混合框架，将PFC场中原子密度峰值作为节点、局部原子邻域关系作为边构建图结构输入GNN模块进行消息传递以提取局部拓扑特征，同时对PFC时空张量施加三维Daubechies小波变换分解为低频趋势与高频局部特征输入WaST（Wavelet Signal Transformer）模块，经Transformer增强时空表征、小波瓶颈层降维及三维小波重建输出预测；最后采用MAE、RMSE、SSIM、PSNR多指标评估及特征归因与敏感性分析进行模型验证与解释。

3. Results and discussion

3.1. Microstructure evolution simulation by GNN-WaST

研究人员通过PFC模型分析约化单位框架内的PFC衍生形态演化及局部密度与浓度变化。密度场清晰分辨了周期性原子排列结晶固相与非晶液相的尖锐边界，浓度场显示选定模型内突出PFC界面附近及域边界内的浓度富集。沿界面法线定量线扫描表明固区密度曲线呈振幅约1.5的周期振荡，液相熔池中心密度近零，浓度分布呈对称双峰结构，峰值达0.30，高于远端液相基质的0.20，定量捕获边界层内溶质富集。

3.2. Preparation and processing of the dataset

研究人员通过PFC模拟生成约化单位双域密度场演化序列构建数据集，η约束于0.00至0.04，σ介于0.05σ₀至0.10σ₀。演化显示初始以液相PFC区为主伴薄BCC层，随时间BCC形核长入熔池呈指状，继而HCP于BCC域内出现指示BCC向HCP二次相变，后期HCP主导伴残余BCC晶界与熔池包裹。增大噪声强度η促进更快成核与均匀相分布，较高σ值导致较粗晶粒。数据集按完整PFC模拟序列级别拆分以防时间泄露，前40帧预测后10帧，并引入数据增强。参数分析表明η增加促进均匀成核与平滑界面，σ增加改变HCP类域相对扩张率与形态，产生更大HCP类域并改变BCC类区连通性，较高过冷度促进β相碎片化孤立袋状形态。

3.3. Microstructure evolution prediction by GNN-WaST

传统模拟面临高计算成本瓶颈，GNN-WaST通过K近邻与三维小波变换协同融合多尺度特征，时频感知Translator捕获动态演化，小波瓶颈层压缩冗余，三维小波重建增强判别性。训练损失由约0.042降至稳定于0.002，验证MSE由约0.031降至0.003，无显著过拟合。输入12帧序列预测未来，误差图显示最大差异位于相边界与晶粒交汇处复杂形态转变区，确立晶粒内部误差极小。GNN-WaST在连续PFC场与基于图的局部结构描述符间传递信息，GNN提取原子尺度拓扑关联重构周期晶格密度分布，多尺度融合得兼具时空连续与原子分辨的微观结构预测，局部放大清晰揭示α相密排六方结构与β相体心立方结构及(0001)密排面八面体配位模式，保留HCP类与BCC类区周期密度变化与界面结构差异。

3.4. Performance of the Trained Model

研究人员采用MAE、RMSE、SSIM、PSNR多指标评估。早期预测（帧13至17）误差低相似性高，帧17至20随预测时域延长误差渐增质量下降，前17帧维持稳定预测能力。性能衰减源于PFC图案演化非线性与时依性及序列预测累积误差放大，但初期结构重建能力仍强。对比实验显示机器学习推理较直接PFC模拟加速约5927倍，η=0.02、σ=0.05σ₀下由约600000毫秒降至101毫秒，η=0.02、σ=0.10σ₀下由约546000毫秒降至101毫秒，不同时间步长Δt下均维持三至四个数量级加速。β/α面积比分析显示σ=0.05时比值低于0.2α主导，σ=0.10时随η增至约1.5于η≈0.033后下降，高过冷度显著促进β相发展但过高η削弱该效应，σ对α/β相竞争影响强，较高σ增加BCC类域相对面积，η调节相连接度与形态复杂性。

讨论部分总结指出，该研究建立了GNN-WaST代理模型以预测选定PFC公式生成的约化单位密度与浓度图案时空演化。通过集成PFC模拟生成的多物理数据集，模型学习PFC生成场序列内时空相关性。训练中损失函数与验证集MSE呈单调下降收敛特性，无过拟合迹象，验证泛化稳定性。相较直接PFC计算，框架在可控预测误差内保持与PFC参考序列高一致性同时提高数个数量级计算效率。短期预测性能优异，初期MAE与RMSE低且SSIM与PSNR高；随预测时域延长指标系统性退化，揭示长期时间外推固有局限。退化源于凝固后期微观结构拓扑复杂性突增及时间预测误差积累指数放大。未来将聚焦架构增强、数据规模扩展与先进误差校正策略以提升多样凝固条件适应性及工程应用。

4. Conclusion

该研究建立了一种GNN-WaST代理模型，用于预测选定PFC公式生成的约化单位密度场与浓度场图案的时空演化。通过集成PFC模拟生成的多物理数据集，模型学习了PFC生成场序列内的时空相关性。在训练过程中，损失函数与验证集均方误差（MSE）表现出单调下降的收敛特性。尽管存在微小波动，整体趋势依然稳健，无过拟合迹象，充分验证了模型的泛化稳定性。与直接PFC计算相比，该框架在可控预测误差范围内保持与PFC参考序列的高度一致性，同时将计算效率提高了数个数量级。短期预测性能出色，在初始时间步长中平均绝对误差（MAE）与均方根误差（RMSE）达到较低水平，同时结构相似性指数（SSIM）与峰值信噪比（PSNR）指标保持较高水平。然而，随着预测时间范围的延长，所有评估指标均呈现系统性退化，揭示了长期时间外推能力固有的局限性。这种性能下降源于凝固后期微观结构拓扑复杂性骤增导致的表征瓶颈，以及时间预测中误差积累效应的指数级放大。未来研究将聚焦于架构增强、数据规模扩展以及先进误差校正策略，以提高模型对多样化凝固条件的适应性，并推动其在智能材料设计中的工程应用。

要不要我帮你把这篇解读里涉及的GNN-WaST架构细节再单独提炼成一个精简的技术说明？