論文の概要: Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks

• arxiv url: http://arxiv.org/abs/2601.04510v1
• Date: Thu, 08 Jan 2026 02:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.990916
• Title: Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks
• Title（参考訳）: 畳み込み型ニューラルネットワークを用いた位相場シミュレーションの時空間外挿に向けて
• Authors: Christophe Bonneville, Nathan Bieberdorf, Pieterjan Robbe, Mark Asta, Habib Najm, Laurent Capolungo, Cosmin Safta,
• Abstract要約: 完全に畳み込み、条件付きパラメータ化されたU-Netサロゲートを導入し、空間と時間の両方でトレーニングデータを超えて外挿する。 私たちのフレームワークは最大36,000回のスピードアップも可能で、数週間のシミュレーションの実行時間を数秒に短縮します。
• 参考スコア（独自算出の注目度）: 0.4104352271917983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phase-field simulations of liquid metal dealloying (LMD) can capture complex microstructural evolutions but can be prohibitively expensive for large domains and long time horizons. In this paper, we introduce a fully convolutional, conditionally parameterized U-Net surrogate designed to extrapolate far beyond its training data in both space and time. The architecture integrates convolutional self-attention, physically informed padding, and a flood-fill corrector method to maintain accuracy under extreme extrapolation, while conditioning on simulation parameters allows for flexible time-step skipping and adaptation to varying alloy compositions. To remove the need for costly solver-based initialization, we couple the surrogate with a conditional diffusion model that generates synthetic, physically consistent initial conditions. We train our surrogate on simulations generated over small domain sizes and short time spans, but, by taking advantage of the convolutional nature of U-Nets, we are able to run and extrapolate surrogate simulations for longer time horizons than what would be achievable with classic numerical solvers. Across multiple alloy compositions, the framework is able to reproduce the LMD physics accurately. It predicts key quantities of interest and spatial statistics with relative errors typically below 5% in the training regime and under 15% during large-scale, long time-horizon extrapolations. Our framework can also deliver speed-ups of up to 36,000 times, bringing the time to run weeks-long simulations down to a few seconds. This work is a first stepping stone towards high-fidelity extrapolation in both space and time of phase-field simulation for LMD.
• Abstract（参考訳）: LMD(Liquid Metal dealloying)の位相場シミュレーションは複雑なミクロ構造進化を捉えることができるが、大きなドメインや長い時間的地平線では不可能なほど高価である。 本稿では、空間と時間の両方でトレーニングデータを超えて超過するように設計された、完全に畳み込み、条件付きパラメータ化されたU-Netサロゲートを提案する。 このアーキテクチャは、畳み込み自己アテンション、物理的にインシデントされたパディング、および洪水充填補正手法を統合して、極端外挿下での精度を維持するとともに、シミュレーションパラメータの条件付けにより、フレキシブルな時間ステップスキップと様々な合金組成への適応を可能にする。 コストのかかる解法に基づく初期化の必要性を取り除くため、代用剤を合成的、物理的に一貫した初期条件を生成する条件拡散モデルに結合する。 U-Netの畳み込みの性質を活かして、古典的な数値解法よりも長い時間的地平線でサロゲートシミュレーションを実行・外挿することができる。 複数の合金組成にまたがって、このフレームワークはMD物理を正確に再現することができる。 大規模な長期水平外挿において、トレーニング体制の5%以下、15%未満の相対誤差を伴う重要な関心量や空間統計を予測している。 私たちのフレームワークは最大36,000回のスピードアップも可能で、数週間のシミュレーションの実行時間を数秒に短縮します。 この研究は、MDの位相場シミュレーションの空間と時間の両方において、高忠実度外挿に向けた最初のステップストーンである。

関連論文リスト

• Extrapolating Phase-Field Simulations in Space and Time with Purely Convolutional Architectures [0.4104352271917983]
  LMD(Liquid Metal dealloying)の位相場モデルは、リッチな微細構造力学を解くことができるが、大きな領域や長い時間的地平線では難解となる。 条件付きパラメータ化された完全に畳み込みされたU-Netサロゲートは、空間と時間の両方でトレーニングウィンドウをはるかに越えて一般化する。
  論文  参考訳（メタデータ） (2025-09-25T05:52:59Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Accelerating Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
  ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。 U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。 高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
  論文  参考訳（メタデータ） (2024-06-24T20:13:23Z)
• Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
  そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。 物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:54Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Alternating ConvLSTM: Learning Force Propagation with Alternate State Updates [29.011464047344614]
  本稿では, 変形可能な物体の力伝達機構をモデル化した交互畳み込み長短期記憶(Alt-ConvLSTM)を提案する。 数値PDE解法のフォワード法において,この手法が第1項と第2項の交互更新を模倣することを示す。 ヒト軟組織シミュレーションにおけるAlt-ConvLSTMの有効性を検討した。
  論文  参考訳（メタデータ） (2020-06-14T06:43:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。