Interdyscyplinarna grupa badaczy zaprezentowała nową architekturę sieci konwolucyjnej opartą na wskazówkach fizycznych, która uczy się przewidywać ewolucję mikrostruktury w systemach opisanych złożonymi równaniami różniczkowymi cząstkowymi. Model wykorzystuje mechanizm attention i trenuje się na danych dotyczących separacji fazy w mieszaninach binarnych rządzonych równaniem Cahn-Hilliarda, jednym z kluczowych modeli w polu teorii przejść fazowych.
Znaczenie tego podejścia tkwi w możliwości zastąpienia tradycyjnych, obliczeniowo kosztownych numerycznych solwerów efektywniejszymi modelami głębokich sieci neuronowych. Naukowcy wykazali, że ich model pozostaje stabilny i dokładny przez długie okresy rolloutów czasowych, zarówno dla mieszanin krytycznych jak i pozakrytycznych, zachowując przy tym skład mieszaniny w całym procesie ewolucji. Kluczowe jest to, że predykcje modelu konsekwentnie zgadzają się z prawem Lifshitza-Slyozova opisującym wzrost rozmiarów domen - fundamentalnym wyrażeniem teoretycznym w dynamice przejść fazowych.
Za znacznie praktyczne znaczenie tego wariantu można uznać jego potencjał do modelowania wszelkich systemów z zachowaną kinetyką, co obejmuje procesy chemiczne, biologiczne i materiałowe. Zaproponowana architektura mogłaby przyspieszać symulacje złożonych systemów dynamicznych o wiele rzędów wielkości, otwierając nowe możliwości w projektowaniu materiałów i zrozumieniu ewolucji struktur w skali mikro.