3D-PRIMME는 물리적 스케일링 법칙을 보존하면서 3차원 결정립 성장(grain growth) 동역학을 학습하는 신경망 기반 대리 모델로, 연속된 두 시간 스텝만으로 학습된다. $100^3$ 격자에서 학습된 모델이 재학습 없이 $1024^3$ 규모의 55만 결정립 도메인에도 일관된 동역학을 유지하며 적용됨을 보여, 스케일 독립적인 미세구조 진화 예측이 가능함을 입증한다.
재료 설계에서 미세구조 진화의 이해와 예측은 핵심이지만, 순수 데이터 기반 시공간 학습 모델은 종종 물리적 일관성이 제한되고 장기 예측 정확도가 저하되는 문제를 겪는다. 본 연구에서는 미세구조 진화 예측을 위한 물리 유도 완전 합성곱 시공간 학습 프레임워크를 제안한다. 기존 자기지도(self-supervised) 접근법과 달리, 제안 방법은 지배 물리 방정식을 학습 목표에 명시적으로 통합하여, 학습된 역학이 알려진 열역학 및 운동학 법칙과 일관되도록 유도한다. 이 물리 유도 formulation은 공간 해상도 및 시간 예측 설정 전반에 걸쳐 예측 정확도, 장기 안정성, 견고성을 향상시킨다. 스피노달 분해(spinodal decomposition)에 대한 광범위한 실험은 물리 유도 잔차 정규화를 통합하면 순수 데이터 기반 베이스라인 대비 미세구조 형태학, 통계, 진화 추세를 더 충실하게 재현함을 보여준다. 제안 프레임워크는 완전 합성곱 아키텍처의 확장성과 계산 효율성을 유지하면서 고정밀 물리 기반 시뮬레이션과 데이터 기반 서로게이트 모델링(surrogate modeling) 사이의 격차를 메워, 디지털 트윈 기반 미세구조 진화 예측을 향한 신뢰할 수 있고 효율적인 서로게이트 모델링 단계를 제공한다.