Efficient Probabilistic Modeling of Crystallization at Mesoscopic Scale

这篇文章探讨了材料科学和冶金学中特别感兴趣的介观尺度晶体生长过程，其中可以观察到有面状、树枝状生长和多晶形成。这些过程高度非线性、随机且对系统参数和初始条件的微小扰动非常敏感。已经使用离散数值模型开发了模拟这些过程的方法，但这些方法计算成本很高。本文旨在使用机器学习仿真器扩展晶体生长模拟。具体来说，自回归潜变量模型非常适合建模系统参数和晶体生长轨迹之间的联合分布。然而，由于系统的随机性和敏感性，成功训练这样的模型是具有挑战性的。因此，现有的方法无法产生多样化和真实的晶体生长轨迹。在本文中，我们介绍了晶体生长神经仿真器（CGNE），这是一种概率模型，用于在介观尺度上高效地模拟晶体生长，克服了这些挑战。我们使用数值模拟产生的晶体形态特征验证了CGNE的结果。与最近的最先进的动态系统概率模型相比，CGNE在推理时间和性能方面都有11倍的提高。

如何使用机器学习模拟晶体生长过程，并提高效率？

使用自回归潜变量模型进行晶体生长过程的概率建模，解决了系统的随机性和敏感性问题，从而提高了效率。

论文提出的晶体生长神经仿真器(CGNE)在推理时间和性能方面都比最新的动力系统概率模型有了11倍的提升。通过数值模拟晶体的形态特征验证了CGNE的结果。

近期的相关研究包括《A Deep Learning Framework for Neuroscience: Automatic Identification of Mouse Brain Cells》、《A review of deep learning in medical imaging: Image traits, technology trends, case studies with progress highlights, and future promises》等。