MicroEvoEval: A Systematic Evaluation Framework for Image-Based Microstructure Evolution Prediction
Qinyi Zhang and Duanyu Feng and Ronghui Han and Yangshuai Wang and Hao Wang
模拟微观结构演变(MicroEvo)对于材料设计至关重要,但需要高数值精度,效率和物理保真度。 虽然最近关于深度学习(DL)的研究为传统求解者提供了一种有希望的替代方案,但该领域缺乏标准化的基准。 由于缺乏将专门的MicroEvo DL模型与最先进的时空架构进行比较,现有研究存在缺陷,过分强调数值精度对物理保真度的影响,以及未能随着时间的推移分析错误传播。 为了解决这些差距,我们引入了MicroEvoEval,这是基于图像的微观结构进化预测的第一个综合基准。 我们评估了14个模型,包括特定领域和通用架构,跨越四个具有代表性的MicroEvo任务,这些数据集专门用于短期和长期评估。 我们的多方面评估框架超越了数值准确性和计算成本,包括一组精心策划的结构保护指标来评估物理保真度。 我们广泛的评估产生了几个关键见解。 值得注意的是,我们发现现代架构(例如VMamba)不仅实现了卓越的长期稳定性和物理保真度,而且还具有更高的计算效率。 结果强调了整体评估的必要性,并将这些现代架构确定为在数据驱动材料科学中开发高效可靠的替代模型的非常有前途的方向。
Simulating microstructure evolution (MicroEvo) is vital for materials design but demands high numerical accuracy, efficiency, and physical fidelity. Although recent studies on deep learning (DL) offer a promising alternative to traditional solvers, the field lacks standardized benchmarks. Existing studies are flawed due to a lack of comparing specialized MicroEvo DL models with state-of-the-art spatio-temporal architectures, an overemphasis on numerical accuracy over physical fidelity, and a fai...
