Los modelos de campo de fase sirven como un método de simulación de mesoescala crucial, uniendo modelos de escala atómica y fenómenos macroscópicos al describir la evolución microestructural y las transformaciones de fase. Estos modelos extraen información local sobre la densidad de energía libre de simulaciones a menor escala y la utilizan para predecir el comportamiento de los materiales a mayor escala. Los métodos de campo de fases se aplican ampliamente en procesos como el crecimiento de granos, la propagación de grietas, el crecimiento de dendritas y la dinámica de membranas, y son especialmente importantes en la investigación de materiales para baterías. Modelan la dinámica de litiación y delitiación, los movimientos de los límites de fase y la degradación inducida por estrés durante los ciclos de carga-descarga. Sin embargo, estas simulaciones requieren un uso computacional intensivo, lo que limita su capacidad para explorar de manera efectiva espacios de diseño amplios o capturar dinámicas a larga escala de tiempo.
La integración de ML con el modelado de campo de fase ofrece una solución prometedora a estos desafíos computacionales. Los modelos de aprendizaje automático, entrenados en conjuntos de datos de alta calidad, pueden predecir rápidamente trayectorias de simulación, lo que permite análisis más rápidos y eficientes. Este enfoque híbrido combina los puntos fuertes de los métodos basados en la física con modelos basados en datos, lo que acelera el descubrimiento y la optimización de materiales. El acceso a conjuntos de datos grandes, seleccionados y validados físicamente es esencial para aprovechar plenamente este potencial. Estos conjuntos de datos garantizan la confiabilidad de las predicciones de ML y permiten estudios sistemáticos en espacios de diseño multidimensionales, fomentando avances en la ciencia de los materiales y las tecnologías de almacenamiento de energía.
Investigadores de DTU, el Instituto Nacional de Química de Eslovenia y la Universidad de Liubliana presentaron un conjunto de datos disponible públicamente para comparar algoritmos de aprendizaje automático en simulaciones de campo de fase. Utilizando un modelo basado en ecuaciones de Cahn-Hilliard diseñado para electrodos de baterías de fosfato de hierro y litio (LFP), generaron un conjunto de datos que captura la evolución de la microestructura durante la litiación. Validaron el conjunto de datos utilizando un modelo de aprendizaje automático basado en U-Net que predice trayectorias completas sin requerir simulaciones intermedias. El modelo demostró una gran precisión en diversas condiciones. Este conjunto de datos y código proporcionan un recurso valioso para desarrollar y probar algoritmos de aprendizaje automático, lo que facilita avances en la aceleración de simulaciones de campo de fase e investigación de materiales.
El estudio describe el marco de modelado de fase-campo y la metodología utilizada para crear una base de datos de trayectorias de simulación. El modelo de campo de fase, implementado en código C computacionalmente eficiente, resuelve la ecuación de Cahn-Hilliard, que se usa ampliamente para simular la evolución de la microestructura durante la separación de fases. El potencial químico se deriva de la energía libre total funcional, incorporando un término de penalización de gradiente para penalizar los límites de fase. El sistema, parametrizado para partículas activas de fosfato de hierro y litio (LiFePO4), emplea un método de volumen finito (FVM) para soluciones numéricas debido a sus propiedades de conservación y facilidad de aplicación a geometrías complejas. Las simulaciones ejecutadas en una configuración de computación de alto rendimiento (HPC) utilizan un flujo de trabajo parametrizado para explorar variaciones en el tamaño del dominio, la concentración y las condiciones iniciales, almacenando los resultados en carpetas estructuradas. Los resultados incluyen campos de concentración, mapas de potencial químico, animaciones y datos resueltos en el tiempo, lo que facilita análisis completos.
El conjunto de datos generado comprende 1100 trayectorias de simulación, con subconjuntos específicos reservados para pruebas y evaluación. Se entrenaron dos arquitecturas de segmentación populares, U-Net y SegFormer, utilizando PyTorch en una GPU NVIDIA RTX 3090 para validar el conjunto de datos. La arquitectura U-Net, conocida por su manejo eficiente de características locales y globales, fue seleccionada por su simplicidad y efectividad. El SegFormer, una arquitectura basada en transformadores, proporcionó un punto de referencia complementario. La capacitación empleó el optimizador AdamW con un programa de tasa de aprendizaje para evitar el sobreajuste. Se eligió la pérdida de error cuadrático medio (MSE) por su rendimiento superior en comparación con la entropía cruzada binaria (BCE). Ambos modelos demostraron la utilidad del conjunto de datos, destacando su potencial para aplicaciones de aprendizaje automático en el modelado de fase-campo.
En conclusión, el estudio presenta un conjunto de datos accesible y bien documentado diseñado para comparar algoritmos de aprendizaje automático en simulaciones de campo de fase, que modelan fenómenos de microestructura de mesoescala que unen escalas atómicas y macroscópicas. Utilizando la arquitectura U-Net como base, el conjunto de datos se validó mediante tareas predictivas en varios tamaños de dominio. Los resultados muestran que U-Net logra métricas de error competitivas y se generaliza de manera efectiva a tamaños de dominio invisibles. A pesar de las diferencias en los conjuntos de datos que limitan las comparaciones directas con estudios anteriores, los hallazgos se alinean con los puntos de referencia existentes. Este conjunto de datos respalda el desarrollo de modelos independientes del tamaño del dominio y promueve enfoques de aprendizaje automático para acelerar las simulaciones de campo de fase.
Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.
[FREE AI VIRTUAL CONFERENCE] SmallCon: Conferencia virtual gratuita sobre GenAI con Meta, Mistral, Salesforce, Harvey AI y más. Únase a nosotros el 11 de diciembre en este evento virtual gratuito para aprender lo que se necesita para construir a lo grande con modelos pequeños de pioneros de la IA como Meta, Mistral AI, Salesforce, Harvey AI, Upstage, Nubank, Nvidia, Hugging Face y más.
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.