論文の概要: Physics-informed neural operator for predictive parametric phase-field modelling

• arxiv url: http://arxiv.org/abs/2603.09693v1
• Date: Tue, 10 Mar 2026 14:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.357987
• Title: Physics-informed neural operator for predictive parametric phase-field modelling
• Title（参考訳）: 予測パラメトリック位相場モデリングのための物理インフォームドニューラル演算子
• Authors: Nanxi Chen, Airong Chen, Rujin Ma,
• Abstract要約: パラメトリック位相場PDE(PF-PINO)を学習するための物理インフォームドニューラルネットワークフレームワークを開発した。 位相場制御方程式の残余をデータ忠実度損失関数に埋め込むことにより,本フレームワークはトレーニング中の物理的制約を効果的に実施する。 以上の結果から,PF-PINOは従来のFNOよりも精度,一般化能力,長期安定性が優れていた。
• 参考スコア（独自算出の注目度）: 1.7013938542585925
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting the microstructural and morphological evolution of materials through phase-field modelling is computationally intensive, particularly for high-throughput parametric studies. While neural operators such as the Fourier neural operator (FNO) show promise in accelerating the solution of parametric partial differential equations (PDEs), the lack of explicit physical constraints, may limit generalisation and long-term accuracy for complex phase-field dynamics. Here, we develop a physics-informed neural operator framework to learn parametric phase-field PDEs, namely PF-PINO. By embedding the residuals of phase-field governing equations into the data-fidelity loss function, our framework effectively enforces physical constraints during training. We validate PF-PINO against benchmark phase-field problems, including electrochemical corrosion, dendritic crystal solidification, and spinodal decomposition. Our results demonstrate that PF-PINO significantly outperforms conventional FNO in accuracy, generalisation capability, and long-term stability. This work provides a robust and efficient computational tool for phase-field modelling and highlights the potential of physics-informed neural operators to advance scientific machine learning for complex interfacial evolution problems.
• Abstract（参考訳）: 位相場モデリングによる材料の微細構造的・形態的進化の予測は、特に高出力パラメトリック研究において計算集約的である。 フーリエ・ニューラル作用素 (FNO) のようなニューラル作用素はパラメトリック偏微分方程式 (PDE) の解の加速を約束する一方で、明示的な物理的制約の欠如は、複雑な位相場力学の一般化と長期精度を制限する可能性がある。 そこで我々は,パラメトリック位相場PDE(PF-PINO)を学習するための物理インフォームドニューラルネットワークフレームワークを開発した。 位相場制御方程式の残余をデータ忠実度損失関数に埋め込むことにより,本フレームワークはトレーニング中の物理的制約を効果的に実施する。 我々はPF-PINOを電気化学的腐食,樹状結晶凝固,スピノダル分解などの相場評価問題に対して検証した。 以上の結果から,PF-PINOは従来のFNOよりも精度,一般化能力,長期安定性が優れていた。 この研究は、位相場モデリングのための堅牢で効率的な計算ツールを提供し、複雑な界面進化問題に対する科学的機械学習を前進させる物理インフォームド・ニューラル演算子の可能性を強調している。

関連論文リスト

• Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
  磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。 従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。 本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
  論文  参考訳（メタデータ） (2025-11-24T13:46:38Z)
• Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
  本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-17T09:37:04Z)
• Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Laser Powder Bed Fusion [0.0]
  本研究では、FEA-Regulated Physics-Informed Neural Network(FEA-PINN)と呼ばれる効率的なモデリングフレームワークを提案する。 PINNモデルは熱容量法を用いて温度依存性の材料特性と相変化挙動を組み込んだ。 FEA-PINNは計算コストを大幅に削減しつつ、FAAと同等の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T15:25:01Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。 伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。 本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Physics-informed kernel learning [7.755962782612672]
  本稿では,物理インフォームド・リスク関数を最小化するトラクタブルな推定器を提案する。 PIKLは精度と計算時間の両方で物理インフォームドニューラルネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-20T06:55:20Z)
• FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
  FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。 標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。 対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-11-29T06:37:54Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。