利用深度学习时间序列模型预测多晶材料中的晶粒生长

《Computational Materials Science》：Predicting grain growth in polycrystalline materials using deep learning time series models

　　

研究人员评估了利用平均场数据加速晶粒生长预测的深度学习方法，并对比分析了循环神经网络(RNN)、长短期记忆网络(LSTM)、时序卷积网络(TCN)和Transformer等架构的性能。其中，LSTM模型取得了最高的预测精度，平均相对误差(MRE)为7.1%。采用递归预测策略确保了长期晶粒尺寸演化的连贯性。与高保真模拟相比，该框架实现了超过200倍的加速。

**基于深度学习的晶粒生长预测研究解读**

晶粒生长是多晶金属材料在退火过程中发生的典型微观组织演化现象，其演化规律直接关系到材料的力学性能，如流变应力和蠕变抗力。尽管晶粒生长的热力学驱动力和动力学方程已被研究数十年，经典曲率驱动模型如Burke-Turnbull方程仍能较好地预测平均晶粒尺寸，但高保真全场模拟方法的计算成本极高，难以直接应用于工业规模或实时过程监测。近年来，数据驱动的机器学习方法为加速微观组织演化预测提供了新思路，但已有基于全场的深度学习模型依赖高维图像数据，其生成、存储和训练成本仍然很高；而基于平均场描述符的模型则往往只能预测标量而非完整的分布演化。为了突破这一瓶颈，研究人员提出利用深度时间序列模型，从平均场晶粒尺寸分布数据中学习并预测晶粒生长的时序演化规律，从而在高保真模拟与快速预测之间建立一座高效的桥梁。

本研究由Eliane Younes、Elie Hachem和Marc Bernacki共同完成，论文发表于《Computational Materials Science》。研究人员构建了由112个独立晶粒生长序列组成的数据集，每个序列覆盖180分钟模拟退火过程。这些序列由法国CEMEF研发的Laguerre-Vorono?生成器(LaVoGen)和前沿追踪全场模拟框架ToRealMotion(TRM)生成。研究系统比较了四种深度学习架构——循环神经网络(RNN)、长短期记忆网络(LSTM)、时序卷积网络(TCN)和Transformer——在相同训练协议下的预测性能。结果表明，LSTM模型在预测精度和长期稳定性方面均表现最佳，平均相对误差为7.1%，且相比TRM仿真实现了超过200倍的加速。该框架不仅能够准确预测晶粒尺寸分布的时序演化，还能保持Burke-Turnbull晶粒生长动力学的物理一致性。

在技术方法上，研究人员首先使用LaVoGen生成具有不同域尺寸(2×2至5×5 mm²)和初始晶粒尺寸标准差(2至32 μm)的初始微观结构，随后通过TRM模拟固定温度1323.15 K、最大约化晶界迁移率10^-6 mm²/s、Read-Shockley晶界能描述和304L不锈钢代表性随机取向条件下的演化过程。每个模拟时间步提取所有晶粒的等效圆半径并构建晶粒尺寸分布，再按总晶粒数归一化为相对频率，形成多元时间序列。预测采用固定长度滑动窗口的递归策略，即模型根据最近几个时间步的分布预测下一时间步，然后不断回代实现长期自回归预测。所有模型使用TensorFlow/Keras实现，统一采用Adam优化器、学习率10^-4、批量16、100个epoch、MAE损失函数及0.2的dropout率，评估指标为平均相对误差(MRE)和决定系数(R²)。

**3.1 预测性能、数据集充足性与训练行为**
通过改变时间输入窗口大小(1到9帧)，研究人员发现窗口过短会导致动力学信息不足、误差累积，过长则引入冗余信息。窗口大小为5帧时，所有架构均取得最优平衡，其中LSTM达到最低平均MRE约7%。数据集规模实验表明，从20增加到约60个序列时性能显著提升，超过100个序列后增益趋缓，显示112个序列足以捕捉主要的晶粒生长动力学。在分布离散化方面，30个bin的表示能够兼顾细节与数值稳定性，获得最低误差。训练过程中，所有模型的训练损失和验证损失同步下降并在100个epoch内收敛，未出现明显过拟合。

**3.2 一小时预测范围内的预测精度**
在最优配置(5帧窗口、30个bin)下，模型对未知测试序列进行一小时递归预测。所有架构均能再现晶粒生长的主要趋势，包括小晶粒相对频率下降、分布向大尺寸方向移动及分布展宽。误差随时间逐步累积，但LSTM始终最接近TRM参考，其预测的晶粒尺寸分布、平均晶粒尺寸和分布概率和均保持最佳一致性。通过Burke-Turnbull关系线性拟合，LSTM的晶粒生长常数与TRM参考值的比值为0.9989，而RNN仅为0.5865。在计算效率方面，每个模型训练约需4分钟，完成一小时演化预测不到5秒，而对应TRM模拟需约20分钟，加速比超过200倍。

**3.3 泛化分析**
泛化实验考察了三种场景：第一，三小时长期递归预测，所有模型预测误差虽随时间增加，但无发散现象，LSTM将MRE从一小时的7%增至三小时的11.9%，仍保持高R²。第二，对未见的初始晶粒尺寸分布(对数正态和瑞利分布)进行测试，LSTM和TCN仍能保持较好精度，而RNN误差显著增大。第三，空间外推实验将仅在2×2 mm²域上训练的模型用于3×3、4×4和5×5 mm²域，LSTM在最大域上的MRE约为9.4%，表现出良好的跨尺度泛化能力。

在讨论部分，研究人员指出，门控循环架构(如LSTM)能够学习到具有物理含义且可迁移的晶粒生长动力学表征，其优势在长时间预测、分布外推和空间扩展中保持稳定。该框架为高保真全场模拟与快速部署的微观组织预测工具之间提供了一条高效路径，适用于参数研究、不确定性分析和数字孪生工作流。研究结论部分指出，本研究基于低维平均场描述符引入了数据驱动的晶粒生长动力学替代模型；统一训练协议下的对比表明，LSTM在递归预测中表现出最可靠的行为，且预测结果符合Burke-Turnbull关系；泛化实验进一步验证了模型在长时间外推和跨域迁移中的稳定性。计算成本相比TRM模拟降低了两个数量级以上。本研究目前仅限于二维微观组织，未来将扩展至经实验验证的三维数据集，并引入非等温条件、各向异性动力学及第二相钉扎等更复杂的物理机制。总体而言，该研究表明，基于平均场描述符的时间序列学习能够在高保真模拟与快速预测工具之间建立高效的中间路径。