用于相场模拟中参数化非均匀弹性的梯度增强神经代理模型

《Computational Materials Science》：Gradient-enhanced neural surrogate for parameterized inhomogeneous elasticity in phase-field simulations

　　

摘要

在由耦合偏微分方程控制的多物理场模拟中，在弹性非均匀条件下迭代求解力学平衡问题是主要的计算瓶颈。本研究开发了一种神经网络代理模型，用于在半隐式谱Cahn-Hilliard框架中替代迭代弹性求解器。提出了一种梯度增强的复合损失函数，联合约束预测场、其一阶梯度和拉普拉斯算子。标准均方误差训练可获得可接受的逐点精度（R2=0.938），但产生的梯度误差经Cahn-Hilliard更新中的拉普拉斯算子放大后，导致演化微观结构出现系统性漂移。将逐特征线性调制（FiLM）条件嵌入U-Net主干的每个卷积层中，使单个模型仅使用85个训练构型即可在涵盖成分、本征应变、弹性模量比和施加应力的8维物理参数空间中实现泛化。在结构化的插值/外推测试集上，将所提模型与FNO、标准U-Net和Transolver基线进行系统比较，结果表明所提模型梯度误差为0.074，显著低于所有比较基线。单步弹性求解在GPU上加速24倍。代理驱动的相场演化在可靠窗口t≤1.0内保持SSIM>0.95，自相关误差低于30%。混合校正策略将精确演化范围扩展至整个模拟时域。

引言

结合扩散与空间变化力学平衡的耦合偏微分方程系统在计算科学中广泛存在。Khachaturyan[1]建立的微弹性框架及其相场扩展[2],[3],[4]已应用于析出相演化、凝固和马氏体相变等问题[5],[6],[7],[8],[9]。在弹性非均匀系统中，弹性刚度张量取决于局部成分，因此力学平衡方程必须在每个时间步迭代求解以获得位移场、局部应力和应变。已建立的算法如Hu和Chen[10]的微扰法和Yu等人[11]的应力-应变迭代法虽经验证，但随系统复杂度增加扩展性差。通过MPI并行快速傅里叶变换[12]和GPU计算[13],[14],[15],[16],[17]进行硬件加速可降低绝对耗时，但迭代特性仍是根本瓶颈。在典型的500步模拟中，仅弹性求解就消耗约95%的总计算量。这促使我们用固定成本神经网络代理替代迭代求解器。近年来，深度学习在求解偏微分方程（PDE）方面取得突破性进展[18],[19],[20]，为物理场快速预测模型的直接构建提供了新方法。在现有架构中，神经网络算子方法旨在学习无限维函数空间之间的映射。DeepONet[21],[22]通过分支-主干网络架构实现算子学习。傅里叶神经算子（FNO）[23]通过傅里叶空间中可学习的频域权重实现全局卷积，在Navier-Stokes方程和Darcy流等基准上展现出高预测精度和显著计算加速，后续研究进一步扩展了其适用性[24],[25],[26],[27]。近期出现了基于Transformer的求解器，如Transolver[28],[29],[30]，利用自注意力机制建模长程依赖关系。尽管神经算子的全局频域操作善于捕捉低频特征，但解析局部特征的能力仍相对有限。然而相场法作为弥散界面模型，需要准确解析界面上的物理信息。卷积神经网络（CNN）方法采用不同策略，通过编码器-解码器架构和跳跃连接，U-Net[31]擅长局部特征提取，已被广泛应用于物理场预测[32],[33],[34]。在计算材料科学领域，CNN和U-Net已用于微观结构-性能映射[35],[36]和相场演化预测[37]。Oommen等人[38],[39]将神经网络应用于Allen-Cahn方程，验证了深度学习在捕捉相变动力学方面的可行性。Bonneville等人[40]提出的U-AFNO尝试将自适应傅里叶神经算子（AFNO）嵌入U-Net瓶颈层，在液态金属脱合金（LMD）相场模拟中实现显著加速。此外，现有卷积代理模型通常在固定材料参数下训练，当成分、本征应变或外部应力等条件变化时，需要重新生成数据和重新训练，因此缺乏跨条件泛化能力。总体而言，同时实现精确局部特征解析和多参数泛化仍然困难，这是深度学习在非均匀弹性学中有效应用的关键挑战。为应对上述参数泛化问题，需要一种条件机制将物理参数信息有效嵌入神经网络。物理参数既影响局部界面行为，也影响全局场分布。输入拼接和HyperNetworks[41],[42]技术已在条件生成任务中证明有效，但分别受到参数信息随网络深度衰减和过高计算开销的限制。逐特征线性调制（FiLM）[43]以低计算成本实现逐层动态条件化，确保参数信息在网络每层中持续存在。近期，类似的仿射条件策略也开始被引入PDE代理模型的参数泛化中[44]。然而，FiLM在强耦合多参数物理问题中的系统性应用尚未得到充分探索。

基于上述观察，本研究为相场模拟中的非均匀弹性子问题开发了一种神经网络代理框架。第一项贡献是梯度增强复合损失，联合监督预测场、其空间梯度和拉普拉斯算子。我们证明标准MSE训练产生的梯度误差经Cahn-Hilliard更新中的二阶微分放大，导致系统性漂移。第二项贡献是将逐特征线性调制（FiLM）集成到U-Net主干的每个卷积层中，使单个模型仅使用85个训练构型即可在8维参数空间中泛化。第三项是在结构化留出集上对包括FNO、标准U-Net和Transolver在内的七种架构进行系统比较，明确区分插值和外推。本文其余部分组织如下：第2节总结物理背景，第3节描述模型架构、损失函数和混合校正策略，第4节呈现结果与讨论，第5节为结论。

物理与数学背景

根据相场方法，两相系统的微观结构演化由Cahn-Hilliard方程控制[45]：?c/?t = ?·[M?(δF/δc)]

总自由能由三部分贡献组成：F = ∫_V [f_chem(c) + κ/2|?c|2 + f_el(c,?)]dV

驱动演化的总势能通过变分微分获得：μ_total = δF/δc = ?f_chem/?c - κ?2c + δF_el/δc

其中μ_chem为化学势，μ_el为弹性势。在此弹性非均匀系统中，弹性刚度张量取决于局部成分。

问题定义与条件参数化

提出了一种深度学习代理模型，直接从成分场和物理参数预测μ_el，消除了每个时间步迭代弹性求解的需求。如图1所示，所提代理加速框架由三个核心模块组成。首先，高保真数据生成利用传统谱求解器，在不同材料物理参数和载荷下的相场模拟中生成训练数据集。

单步预测精度

为全面评估8维参数空间中的代理模型，85个案例中81个用于训练，4个作为独立测试集保留（表1）。每个留出案例通过其在81个训练点凸包中的成员关系被分类为插值或外推，这是一种无阈值标准。案例21-23位于凸包内，1-NN距离为0.43-0.48，远低于训练集中位数2.30，确认了局部覆盖的密集性。案例65位于

结论

本研究用神经网络代理替代了相场模拟中的迭代非均匀弹性求解器。主要发现和贡献如下。第一，梯度精度而非逐点精度决定了代理模型能否维持稳定演化。U-Net基线在标准MSE训练下R2=0.938，但其0.622的梯度误差导致Cahn-Hilliard循环中漂移。所提梯度增强损失通过联合监督将该误差降至0.074。

CRediT作者贡献声明

陈景瑶：原文撰写、可视化、软件、方法论、调查研究、形式化分析、数据整理、概念化。赵岩：审阅与编辑、监督、项目管理、概念化。李莹：审阅与编辑、监督。吴昭华：数据整理。刘振智：软件、数据整理。陆小钢：审阅与编辑、资源、经费获取。

利益冲突声明

作者声明不存在可能影响本文工作的已知经济利益或个人关系。

陈景瑶|赵岩|李莹|吴昭华|刘振智|陆小钢