统一机器学习框架用于应变合金微观结构性能预测与时间演化模拟

引入了一种统一的机器学习框架，旨在方便处理弹性场影响下合金微观结构的时间演化。该方法允许从短轨迹中同时提取弹性参数，并预测在其影响下的进一步微观结构演化。

通过聚焦于存在晶格失配η的旋节分解，并进行了相场模拟提供的真实演化与合适的卷积循环神经网络架构预测之间的广泛比较，证明了这一点。这两个任务随后可以在级联框架中执行。

在广泛的失配条件下，本文提出的级联模型准确预测了η及相应的完整微观结构演化，即使在接近旋节分解临界条件时也是如此。证明了其可扩展到更大的计算域大小，以及在时间上的温和外推误差（时间序列比训练期间采样的序列长五倍）。所提出的框架具有通用性，可以应用于超出本文作为示例考虑的具体原型系统之外。

有趣的是，实验视频可用于推断未知的外部参数，然后再模拟进一步的时间演化。

评论：
19页，9张图

主题：
材料科学（cond-mat.mtrl-sci）；介观与纳米尺度物理（cond-mat.mes-hall）；机器学习（cs.LG）；计算物理（physics.comp-ph）