物理调控的神经框架用于学习三维晶粒生长动力学

《Materials & Design》：A physics-regulated neural framework for learning 3D grain growth dynamics

　　

一个物理调控的局部学习框架可预测三维晶粒生长。局部演化规则可以用两个连续时间步学习。学习到的算子无需重新训练即可外推到1024³个网格点。无需显式倾角输入即可学习倾角相关生长。

本文提出了一种物理调控的机器学习框架3D-PRIMME，用于模拟三维晶粒生长动力学。晶粒生长是多晶材料微观组织演变的核心过程，其决定了材料的力学性能与耐腐蚀性能等宏观性质。传统物理模拟方法如蒙特卡罗Potts模型和相场模型虽然物理可解释性强，但计算成本随空间尺度和时间尺度急剧增长，难以支撑大规模、长时间的三维模拟。同时，现有机器学习代理模型大多基于全局微观结构场操作，内存消耗巨大，且很少应用于三维数据集。针对这些问题，研究人员提出从局部相互作用出发学习晶粒生长演化规则，以避免全局表示带来的计算瓶颈。3D-PRIMME将微观结构编码为界面位点表示，并将域划分成固定大小的局部窗口进行训练与推理。该方法仅需两个连续时间步的单个训练序列即可学习到物理一致的晶粒生长动力学，并且能够在不重新训练的情况下外推到远大于训练域的网格，最高支持达1024³个网格点、100步以上的长时程预测。此外，模型还能从各向异性训练数据中自主学习倾角相关的晶界迁移行为，而无需显式提供晶界倾角作为输入。研究结果表明，该框架捕获了本质上尺度无关的局部曲率驱动晶界迁移规则，为大规模三维微观组织演化提供了一种可扩展且数据高效的代理建模工具。该论文发表在《Materials》。

为开展本项研究，研究人员主要采用了以下几个关键技术方法：首先，使用模式过滤（MF）模型生成三维晶粒生长的训练与验证数据，该模型基于局部能量最小化更新晶粒状态，能产生各向同性及各向异性数据集；其次，通过界面位点表示将任意晶粒编号转换为具有物理含义的局域结构描述符，即将目标位点周围属于不同晶粒的邻近位点数目作为输入特征；接着，构建基于局部观察窗口和动作窗口的卷积神经网络，学习从局部环境特征到状态翻转概率的映射；最后，采用自回归推理方式，将训练好的网络逐步应用于全局域，通过拼接局部预测结果实现大规模三维微观结构的演化外推。

### 3.1 对观察窗口和动作窗口尺寸的敏感性
研究人员通过改变观察窗口尺寸与动作窗口尺寸，在100³网格、512个初始晶粒的体系上评估模型预测性能。结果表明，所有配置均能复现近似线性的粗化动力学，但观察窗口尺寸对晶粒长大速率影响显著：窗口过小会低估生长速率，过大则加速粗化；动作窗口的影响较弱且无系统趋势。当观察窗口尺寸与MF高斯采样核的特征距离匹配时，模型获得最低的动力学误差（相对误差2.85%）。该窗口尺寸的物理意义在于其半宽能够完整包含每次迁跃晶界的最大移动距离，过小无法捕捉完整局域环境，过大则引入冗余信息，降低泛化能力。通过在不同MF核参数数据上重复实验，最优窗口随特征距离系统移动，进一步验证了这一解释。

### 3.2 3D-PRIMME的变异性
为评估训练随机性带来的不确定性，研究人员使用同一训练集与超参数，通过不同随机初始化和数据洗牌训练了10个独立模型。结果显示，在平均晶粒半径平方、平均晶界面数以及体素精度上，各模型的预测曲线统计差异很小，不确定性随时间略有增大。这表明尽管深度神经网路优化存在非凸性，模型仍能稳定保持晶粒生长的关键统计不变量。

### 3.3 3D-PRIMME的时空尺度无关性
将仅在100³网格、512个初始晶粒的单序列两帧数据上训练的模型，直接外推到256³、512³和1024³的更大域，分别包含8600、68700和550000个初始晶粒。三个尺度的平均晶粒半径平方随时间演化曲线几乎重合，平均晶界面数随归一化半径的曲线也发生塌缩，表明拓扑统计一致。在大域上进一步长时程演化后，3D-PRIMME预测的稳态归一化晶粒半径分布与MF参考一致，其稳态广义Hillert形状参数为3.13，MF为3.15，与文献中相场模拟及理论值定量吻合。这些结果证明学习到的局部演化算子是空间尺度无关的，并且时间上稳定。

### 3.4 数据高效学习
研究人员分别使用1、10、50条训练序列训练模型，并在10条独立的MF模拟验证集上评估。结果显示，三种训练数据量下平均晶粒半径平方均呈线性演化，生长速率在1条和10条序列时相近，50条序列时略低且方差变大；平均晶界面数行为基本一致；体素精度在10条序列时最高。总体而言，增加训练序列并未带来显著性能提升，甚至可能因引入更多变异性而降低精度。这解释了单个三维序列已包含大量局部邻域样本，数据高度冗余，因此极少数序列即可学到主导性局部迁移模式。

### 3.5 倾角相关晶粒生长
为检验模型对界面各向异性的学习能力，研究人员使用具有各向异性协方差矩阵的高斯采样核生成MF数据，仅利用该模拟的第一帧和第二帧训练模型，然后自回归预测50步。三维形貌和二维截面显示，3D-PRIMME定性地重现了MF参考的各向异性生长形态。在XY、XZ、YZ三个正交投影面上计算倾角分布，发现模型预测与MF参考在演变过程中始终保持紧密一致。这表明即使不显式提供晶界倾角特征，模型仍能从局部微观结构变化中推断出方向相关的晶界迁移行为。

在讨论部分，研究人员指出，与需要显式正则项的2D-PRIMME不同，3D-PRIMME通过窗口化界面位点表示提供了隐式约束，从而无需额外正则项即可获得稳定演化。窗口尺寸的选择依赖微结构的特征尺度，未来可发展自适应窗口策略。数据效率可归因于局部更新规则训练本质以及三维数据中丰富的局域几何多样性。局部性约束保证了模型对外推的适应性，但也限制了其对长程弹性作用、溶质拖曳等非局域物理的建模能力。训练随机性带来的预测误差属于认知不确定性，主要体现为长期轨迹发散，但统计特征保持稳定。倾角相关学习成功表明模型捕获了可转移的局部规则，未来可引入取向差表征，以实现全各向异性三维晶粒生长建模。

研究结论如下：本文提出了3D-PRIMME，一种物理调控的机器学习框架，用于模拟三维晶粒生长动力学。该方法直接从微观组织数据中学习局部演化规则，无需系统的全局表示。结果表明，模型仅用含有两个连续时间步的单条序列即可学习到物理一致的晶粒生长动力学，包括线性的²标度行为和一致的拓扑统计。此外，学习到的动力学表现出强时空泛化能力：在100³网格上训练的模型可直接应用于显著更大的域，最高达1024³，并能对100步的长时程演化保持稳定预测。这些结果表明，模型捕获的局部曲率驱动晶界迁移规则本质上是尺度无关的。因此，本框架为大规模三维微观组织演化提供了一种可扩展且数据高效的代理模型。同时，3D-PRIMME还能从各向异性训练数据中复现倾角相关的晶粒生长行为，表明学习到的局部规则能够捕捉方向相关的晶界迁移效应，这为将PRIMME应用于实验测量的三维微观结构和实际各向异性晶粒生长问题提供了途径。