相场法是一种流行的介观尺度计算方法，用于研究微结构的时空演化及其物理性质。
它已被广泛用于描述各种重要的中尺度演化现象，包括晶粒生长和粗化，凝固，膜沉积，位错动力学，囊泡形成以及生物膜中的裂纹扩展。
现有的高保真相场模型具有很高的实际计算成本，因为它们需要解决一组描述这些过程的连续场变量的耦合偏微分方程组。
当前，将计算成本最小化的探索主要集中在使用高性能计算体系结构和高级数值解法，或者将机器学习算法与微观结构仿真相结合。
但是，对于这些成功的解决方案，如何在准确性和计算效率之间取得平衡仍然是一个头疼的问题。
较高的计算效率不能保证准确的解决方案。
或可以解决复杂且耦合的相场方程，但计算成本高；或可以预测训练范围内的微观结构演变，但无法预测训练范围之外的演变。
由美国桑迪亚国家实验室集成纳米技术中心的RémiDingreville教授领导的团队开发了一种机器学习框架，可以高效，快速地预测复杂的微结构演化问题。
通过使用长期短期记忆（LSTM）神经网络学习长期模式并解决历史依赖性问题，作者将微观结构演化问题重新定义为多元时间序列问题。
在这种情况下，神经网络可以学习如何通过对微观结构随时间演变的低维描述来预测微观结构的演变。
他们发现，这种替代的机器学习模型可以在亚稳态分解过程中不到一秒的时间内预测两相混合物的非线性微观结构演化。
与高保真相场仿真相比，精度仅降低了5％。
作者表明，将替代模型的轨迹用作经典高保真相场模型的输入数据时，可以加快相场仿真。
作者的解决方案开辟了一条有希望的道路。
在规模现象至关重要的问题中（例如材料设计和其他演化问题），可以使用其加速的相场模拟来发现，解决和预测加工-微结构-性能之间的关系。
本文最近发表在npjComputationalMaterials7：3（2021）中。
英文标题和摘要如下。
点击“阅读原文”在左下角可以自由获取论文的PDF。
原始标题：npj：机器学习伴随着相场快速准确的仿真方法文章来源：[微信公众号：直社学术圈]欢迎您的关注！请指出转载文章的来源。
