Physik Informiertes neuronales Netzwerk Framework for High-Throughput MultiPhasenfeld-Mikrostruktur Simulation

• Antragsteller: Dr.-Ing. Reza Darvishi Kamachali
• Fachliche Zuordnung: Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala ; Thermodynamik und Kinetik sowie Eigenschaften der Phasen und Gefüge von Werkstoffen
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 552892608

Die heutigen Computertechniken haben die Art und Weise, wie wir Materialforschung betreiben, revolutioniert. Auf der Mesoskala haben sich die verallgemeinerte Multi-Phase-Filed-Modellierung und -Simulation (MPF) zu einem vielseitigen Werkzeug mit großer Kapazität entwickelt, um komplexe mikrostrukturelle Entwicklungen in mehrphasigen Mehrkomponentenmaterialien mit hoher Genauigkeit und Effizienz zu erfassen. Während MPF eine enorme Flexibilität bei der Formulierung der Funktionale der freien Energie bietet, die an spezifische Probleme angepasst werden, bringt dies den Nachteil mit sich, dass jedes zusätzliche Merkmal des Modells das zugrunde liegende Funktional der freien Energie und die entsprechenden Bewegungsgleichungen verändert, was zu einer enormen Neuprogrammierung und Neuoptimierung führt In jeder Phase der Entwicklung sind Anstrengungen erforderlich, oft bis hin zu tiefgreifenden Ebenen der Neudefinition von Schlüsselparametern und -funktionen und sogar der Änderung der Speicher-/Speicherstrukturen in der Software. Aufgrund dieses Nachteils enthalten MPF-Simulationspakete oft eine große Menge an Codes und entwickeln sich viel langsamer (und sind daher viel weniger beliebt) als ihre atomistischen Kompartimente, wie etwa Ab-initio- und Molekulardynamik-Simulations-Toolkits in der Community. In diesem Projekt schlagen wir vor, ein physikinformiertes neuronales Netzwerk (PINNs)-Framework und eine Software zu entwickeln, die eine einfachere Übernahme des MPF-Frameworks von einem bestehenden Problem auf ein neues ermöglichen. Durch umfangreiche Vorarbeiten zeigen wir, dass eine solche Lösungssoftware machbar ist. Im Rahmen des aktuellen Antrags wollen wir das neue PINNs-MPF entwickeln, das in der Lage ist, fortgeschrittene Mikrostruktursimulationen durchzuführen. Wir zeichnen einen heiklen Plan zur Entwicklung eines Aufmerksamkeitsmechanismus in Kombination mit mehreren wichtigen Algorithmen für maschinelles Lernen, um die diffuse Schnittstelle im MPF-Kontext effizient zu verfolgen, während eine massiv parallele Softwarestruktur entworfen wird, um die Simulationen in Raum und Zeit durchzuführen. Es werden Benchmark-Anwendungen für Kornwachstum, Niederschlag und Sekundärphasen-Partikelwiderstand festgelegt. Im Erfolgsfall stellt die neuartige Software eine ergänzende Lösung an der Schnittstelle von maschinellem Lernen und Mikrostrukturmodellierung dar.

• DFG-Verfahren: Sachbeihilfen