文章通过数字图书馆方法，评估人工神经网络（ANN）与脉冲神经网络（SNN）在微观结构演化建模中的性能。研究发现，基于泄漏积分-发放（LIF）的SNN模型在预测疲劳裂纹增长（局部界面）和图灵模式（扩散界面）时，以较少参数和内存实现更高准确性。网络架构分析表明，SNN的权重范围小、连接稀疏性是其优势，有效缓解传统计算机视觉任务中的精度-成本权衡。数字图书馆方法弱化物理方程约束，为界面演化问题提供高效解决方案。
微观结构演化涉及非平衡态、多尺度特征，传统相场（PF）和水平集（LS）方法受限于理论假设与参数不确定性。文章提出数字图书馆框架，通过数值模拟构建时空图像库（如疲劳裂纹增长908样本、图灵模式720样本），规避物理方程的强约束。人工神经网络（ANN）与脉冲神经网络（SNN）的对比表明，事件驱动的SNN更契合界面演化动态特性。
针对两类典型微观结构演化：
- 疲劳裂纹增长：基于XFEM路径切片技术，模拟二维镍合金板裂纹扩展，加载谱采用高斯分布，通过Paris-Erdogan方程量化裂纹增长率。
- 图灵模式：基于Gray-Scott反应扩散方程生成扩散界面，随机化初始条件并通过滑动窗口采样。
对比五类模型：
- ANN模型：ConvLSTM、PredRNN++、SimVP，采用编码器-解码器结构分离时空特征处理。
- SNN模型：基础LIF神经元及STCLIF（时空自突触电路），通过膜电位动态整合时空信息。STCLIF的突触连接稀疏性（22.07%密度）显著低于ANN模型。
在疲劳裂纹增长（局部界面）预测中，基础SNN模型仅需1,000参数即实现连续裂纹表征（厚度1像素），优于ANN/LSTM（厚度8像素）。对于图灵模式（扩散界面），STCLIF的MAE降低27.71%，界面定位误差最小（厚度2像素）。
SNN模型显著降低资源需求：
- 疲劳裂纹预测：SNN参数比ANN减少4-5个数量级，MAE保持0.01以下。
- 图灵模式预测：STCLIF内存占用仅为ANN的1/4，归因于生理模型驱动的时序数据处理机制。
STCLIF的卷积层权重分布方差更小、幅值更低，类似正则化效果。稀疏连接（低于ANN的78%）增强泛化能力，适应界面动态的突发性事件。
在微观结构演化中，SNN突破计算机视觉领域常见的精度-成本权衡：事件驱动特性与界面演化的时空突变高度匹配。数字图书馆弱化PDE约束，可直接集成实验高保真数据。
低内存开销（如裂纹向量表示仅0.344 kB）使SNN适用于嵌入式系统：
- 结构健康监测（SHM）中实时裂纹预测
- 材料加工过程的反应扩散控制
向三维扩展时，SNN的3D卷积内存节省达75%，但需解决实验噪声鲁棒性问题。
文章证明脉冲神经网络（如STCLIF）是建模微观结构复杂性的高效工具：通过稀疏连接和事件驱动计算，以较低参数实现高精度预测。数字图书馆方法为晶粒生长、相变等复杂演化问题提供可扩展框架，并为物理约束弱的场景开辟新途径。