Bio-PINNs: Biomimetische neuronale Netze meistern zellinduzierte Phasenwechsel

In der neuesten Veröffentlichung auf arXiv wird ein innovatives Konzept vorgestellt, das die Herausforderungen bei der Modellierung von zellinduzierten Phasenwechseln mit nicht-konvexen Mehrfachenergien adressiert. Diese Phänomene erzeugen scharfe Grenzflächen, feine Mikrostrukturen und eine distanzabhängige Kopplung zwischen Zellen – allesamt Faktoren, die herkömmliche physikbasierte Lernmethoden stark belasten.

Um die häufig auftretende Überglättung in Nahfeldmustern zu vermeiden, präsentiert das Paper biomimetische physics-informed neural networks (Bio‑PINNs). Das Verfahren integriert zeitliche Kausalität explizit in räumliche Kausalität durch einen progressiven Distanz‑Gate. Zusätzlich nutzt es einen Deformations‑Unsicherheits‑Proxy, um die Grenzflächenlänge gezielt in mikrostrukturreichen Bereichen zu steuern, was eine effiziente Alternative zu expliziten zweiten Ableitungsregularisierungen darstellt.

Die Autoren liefern theoretische Garantien für ihre adaptive „retain‑resample‑release“-Strategie, die eine kontinuierliche Abdeckung unter Gating sicherstellt und ein quantitatives Wachstum von nah zu fern begrenzt. In umfangreichen Tests mit Einzel‑ und Mehrzellmodellen, unterschiedlichen Zellabständen und Regularisierungsregimen zeigen Bio‑PINNs konsistent scharfe Übergangsschichten und korrekte Morphologien – deutlich besser als aktuelle adaptive und ungated Baselines.