Chen、Ji 与 Xu 提出 DiGCA 相分类器，在 Lifshitz-Petrich 模型上以约两个数量级加速生成相图，分类精度超过 98%
核心概要
作者提出导数信息图卷积自编码器（DiGCA）相分类器，将 Lifshitz-Petrich 模型的解与其导数（非局部项 G(φ)）一同输入图卷积自编码器进行降维，再用全连接神经网络分类，在参数域 [−0.01,0.05]×[0,1] 上生成相图，分类精度超过 98%，相比 MCMS-RBM 约快两个数量级，并在最高 10% 加性白噪声下保持稳定。
Figure 1: Order parameters with the corresponding prominent diffraction patterns in the reciprocal space for QC (a), C6(b), LQ(c), T6(d), and Lam(e) states. The top figure also shows the stable (QC)
· 第 4 页深度剖析
提出两阶段 DiGCA 相分类器：离线阶段用解与导数共同训练多分量多状态图卷积自编码器（MCMS-DiGCA），在线阶段用神经网络分类器把编码解映射到相图。 相对仅用解训练的常规图卷积自编码器（GCA-ROM），该方法在训练输入中显式加入导数（非局部项 G(φ)），并针对每个稳定态分别训练子网络。 论文给出离线与在线两阶段算法流程（Algorithm 1、Algorithm 2）及网络结构图，并在数值实验中与常规 GCA-ROM 对比相对 L2 误差。
导数信息训练显著提升梯度（非局部项）评估精度，同时解预测性能与常规方法相当；解与非局部项的点态相对误差大多低于 5%。 常规 GCA-ROM 在相边界检测上偏离参考解、只给出粗略分类趋势，而 DiGCA 能重建大部分相边界及其曲率与拓扑连接。 基于参数域 DΞ 上各分量的相对 L2 误差对比（Figure 4）以及测试集上解与非局部项的点态误差图（Figure 5）。
加入深度神经网络相分类器后，在线阶段预测相图的精度超过 98%，并在 1%、5%、10% 加性白噪声下相图几乎不变。 分类器使用 7 维特征 {ε, α, EQC, EC6, ELQ, ET6, ELam}，输出 6 维相概率，用交叉熵损失与 Adam 优化器训练 3000 轮。 论文报告分类精度超过 98%，并展示不同噪声水平下的相分类结果（Figure 7）。
相比 MCMS-RBM，DiGCA 训练开销更小，边际计算约快 100 倍（约两个数量级），且精度相当。 MCMS-RBM 曾把详细相图生成时间从数月缩短到数分钟，DiGCA 在此基础上进一步降低训练与在线计算成本。 基于 MCMS-RBM 与 MCMS-DiGCA 的累计运行时间对比（Figure 8）。
启示与展望
该框架面向解在参数域上呈现多状态的参数化问题，本文在二维准周期 Lifshitz-Petrich 模型、参数域 [−0.01,0.05]×[0,1]、六个分支（QC、C6、LQ、T6、Lam、Liq）上验证，每个分支随机取 200 个参数样本、按 75% 划分训练与验证。它适用于需要快速生成相图的高通量材料发现与实验数据分析场景，作者也指出网格可视为图结构、方法同样适用于非结构网格，并可用实验数据替代高保真解来降低离线成本。
相图在原点附近（所有稳定态交汇处）仍存在少量偏差；分类精度超过 98% 与约 100 倍加速来自本文数值实验，其在不同参数域、不同维度或不同物理模型上的表现仍需进一步验证；论文提到可用实验数据训练网络，但未给出相应实验验证结果。