Os modelos de campo de fase servem como um meio importante de simulação em mesoescala, combinando modelos em escala atômica e fenômenos macroscópicos, descrevendo a evolução microestrutural e as transformações de fase. Esses modelos extraem informações espaciais gratuitas de densidade de energia de medições em pequena escala e as utilizam para prever o comportamento em grande escala. Os métodos de campo de fase são amplamente utilizados em processos como crescimento de grãos, propagação de fissuras, crescimento de dendritos e deformação de membrana, e são muito importantes no estudo de materiais de baterias. Eles modelam a dinâmica de litiação e deslitiação, movimento de limite de fase e degradação induzida por estresse durante ciclos de carga. No entanto, essas simulações são computacionalmente intensivas, limitando sua capacidade de explorar efetivamente ambientes de projeto amplos ou capturar dinâmicas de escala de tempo de longo prazo.
Combinar ML com modelagem de domínio de fase oferece uma solução promissora para esses desafios computacionais. Os modelos de ML, treinados em conjuntos de dados de alta qualidade, podem prever rapidamente trajetórias de simulação, permitindo análises mais rápidas e eficientes. Essa abordagem híbrida combina o poder dos métodos baseados na física com modelos baseados em dados, acelerando a descoberta e a otimização de objetos. O acesso a um conjunto de dados grande, selecionado e fisicamente validado é essencial para concretizar plenamente esse potencial. Esses conjuntos de dados garantem a confiabilidade das previsões de ML e permitem estudos sistemáticos em todas as áreas do design multidimensional, promovendo avanços na ciência dos materiais e na tecnologia de armazenamento de energia.
Pesquisadores da DTU, do Instituto Nacional de Química da Eslovênia e da Universidade de Ljubljana apresentaram um conjunto de dados disponível publicamente para comparar algoritmos de ML em simulações de campo de fase. Usando um modelo baseado na equação de Cahn-Hilliard otimizado para eletrodos de bateria de fosfato de ferro-lítio (LFP), eles geraram um conjunto de dados que captura a evolução da microestrutura durante a litiação. Eles validaram o conjunto de dados usando um modelo de ML baseado em U-Net que prevê todas as trajetórias sem exigir simulações intermediárias. O modelo mostrou forte precisão em uma ampla gama de condições. Este conjunto de dados e código fornecem um recurso importante para desenvolver e testar algoritmos de ML, facilitando o progresso na aceleração da simulação de domínio de fase e pesquisa de objetos.
O estudo descreve uma estrutura de modelagem de domínio de fase e o método usado para criar um banco de dados de métodos de simulação. O modelo de campo de fase, implementado em código C computacionalmente eficiente, resolve a equação de Cahn-Hilliard, que é amplamente utilizada para simular a evolução da microestrutura durante a separação de fases. O potencial químico é derivado da função de energia livre, que inclui a penalidade do gradiente de tempo para penalizar os limites de fase. O sistema, voltado para partículas ativas de fosfato de ferro-lítio (LiFePO4), utiliza o método de volumes finitos (FVM) para soluções numéricas devido às suas propriedades conservadoras e facilidade de uso em geometrias complexas. A simulação é executada em uma configuração de computação de alto desempenho (HPC) usando um fluxo de trabalho parametrizado para testar variações no tamanho do domínio, concentração e condições iniciais, armazenando os resultados em pastas estruturadas. Os resultados incluem campos de concentração, mapas de potencial químico, animações e dados resolvidos no tempo, facilitando uma análise abrangente.
O conjunto de dados gerado consiste em 1.100 trajetórias de simulação, com alguns subconjuntos reservados para teste e avaliação. Duas arquiteturas de classificação populares, U-Net e SegFormer, foram treinadas usando PyTorch em uma GPU NVIDIA RTX 3090 para validar o conjunto de dados. A arquitetura U-Net, conhecida por lidar bem com aspectos locais e globais, foi escolhida por sua simplicidade e funcionalidade. SegFormer, uma arquitetura baseada em transformador, forneceu um benchmark paralelo. O treinamento utilizou o otimizador AdamW com uma programação de taxa de aprendizado para evitar sobrecarga. A perda por erro quadrático médio (MSE) foi escolhida devido ao seu desempenho superior em comparação à entropia cruzada binária (BCE). Ambos os modelos demonstraram o uso do conjunto de dados, destacando seu potencial para aplicações de aprendizado de máquina na modelagem de campo de fase.
Concluindo, o estudo apresenta um conjunto de dados bem documentado e acessível projetado para avaliar algoritmos de aprendizado de máquina em simulações de campo de fase, que modelam fenômenos de microestrutura de mesoescala cobrindo escalas atômicas e macroscópicas. Usando a estrutura U-Net como base, o conjunto de dados foi validado com funções preditivas em vários tamanhos de domínio. Os resultados mostram que a U-Net atinge métricas de erro competitivas e converge com sucesso para tamanhos de domínio indetectáveis. Apesar das diferenças nos conjuntos de dados que limitam as comparações diretas com estudos anteriores, os resultados são consistentes com os parâmetros de referência existentes. Este conjunto de dados apoia o desenvolvimento de modelos independentes do tamanho do domínio e melhora os métodos de aprendizado de máquina para acelerar a simulação do domínio de fase.
Confira eu Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[FREE AI VIRTUAL CONFERENCE] SmallCon: Conferência Virtual GenAI gratuita com. Meta, Mistral, Salesforce, Harvey AI e mais. Junte-se a nós em 11 de dezembro para este evento de visualização gratuito para aprender o que é necessário para construir grande com pequenos modelos de pioneiros em IA como Meta, Mistral AI, Salesforce, Harvey AI, Upstage, Nubank, Nvidia, Hugging Face e muito mais.
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a intersecção entre IA e soluções da vida real.
🐝🐝 Leia este relatório de pesquisa de IA da Kili Technology 'Avaliação de vulnerabilidade de um modelo de linguagem grande: uma análise comparativa de métodos de passagem vermelha'
