研究人员开发了一个扩展伪谱物理信息神经网络（ESPINN）框架，用于从观测数据中识别相场模型。该方法可以同时恢复体化学势和未知的梯度系数，这对于理解相分离中的图案形成至关重要。使用Cahn-Hilliard方程进行的数值实验表明，即使数据有限，ESPINN也能准确地重构这些参数，并且在存在噪声的情况下性能会平稳下降，在快照更多的情况下性能会提高。 AI
影响 该框架提供了一种数据高效的学习复杂物理特性的方法，有可能加速材料科学和其他领域的科学发现。
排序理由 该集群描述了一篇详细介绍用于科学建模的新型神经网络框架的新研究论文。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
arXiv:2606.24660v1 Announce Type: cross Abstract: Phase-field models play a central role in the continuum description of phase separation, in which the bulk free-energy density and the interfacial thickness parameter determine pattern formation and microstructural evolution. In p…
Phase-field models play a central role in the continuum description of phase separation, in which the bulk free-energy density and the interfacial thickness parameter determine pattern formation and microstructural evolution. In practice, these constitutive quantities are rarely …
Phase-field models play a central role in the continuum description of phase separation, in which the bulk free-energy density and the interfacial thickness parameter determine pattern formation and microstructural evolution. In practice, these constitutive quantities are rarely …