Физически-управляемая нейросеть предсказала фазовое разделение в бинарных смесях

Научная группа представила новую архитектуру нейросети, объединяющую физические законы и машинное обучение для моделирования эволюции фазового разделения в бинарных системах. Работа опубликована на arXiv (ID: 2606.26128) и описывает так называемую physics-guided CNN, которая выступает в роли суррогатной модели для дорогостоящих традиционных решателей.

Ключевая особенность подхода — использование attention-механизмов и физических ограничений, встроенных в архитектуру сети. Модель обучалась на данных, полученных из численного решения уравнения Кана-Хилларди, которое описывает кинетику фазового разделения в сплавах, полимерах и других смесях с сохранением массы. После обучения нейросеть способна предсказывать полную временную эволюцию микроструктуры с высокой точностью.

Эксперименты показали, что прогнозы остаются стабильными на длительных временных интервалах как для критических, так и для закритических составов смесей. Важно, что модель корректно сохраняет среднюю концентрацию компонентов на протяжении всего процесса разделения, что является обязательным условием для систем с сохраненным параметром порядка.

Особое внимание уделено предсказанию роста характерного размера доменов. Оценки, полученные по предсказанной сетью микроструктуре, превосходно согласуются с известным законом Лифшица-Слезова, описывающим рост доменов в спинодальном распаде. Это подтверждает, что нейросеть усвоила фундаментальную физику процесса, а не просто подогнала данные.

Разработка открывает путь к созданию вычислительно эффективных моделей для сложных динамических систем. Традиционные численные решатели нелинейных уравнений в частных производных требуют больших вычислительных ресурсов, особенно при моделировании больших временных масштабов. Суррогатные модели на основе ИИ, подобные предложенной, могут ускорить расчеты в сотни раз при сохранении точности.

Авторы отмечают, что их фреймворк может быть обобщен на другие классы систем с консервативной кинетикой — например, в биологии (морфогенез), химии (реакционно-диффузионные системы) или материаловедении (рост зерен). Дальнейшая работа будет направлена на расширение области применимости и повышение интерпретируемости модели.

Таким образом, сочетание физических законов и глубокого обучения позволяет не только ускорять вычисления, но и углублять понимание изучаемых процессов. Такие гибридные подходы становятся важным инструментом в современной науке.