张力恒温的自动化模型发现:成长和重塑中的构成性机器学习

科学领域:

• 计算材料科学科学 计算材料科学
• 在工程领域的人工智能.
• 固体力学 固体力学是什么

背景情况:

• 准确地建模不弹性材料的行为,特别是张力恒温,需要大量的专业知识,容易出现错误.
• 识别最佳模型和材料参数的传统方法耗时且往往不足.
• 内置的物理机器学习算法为克服这些挑战提供了一个有希望的途径.

研究的目的:

• 引入一种新的内置物理神经网络架构,即不弹性的构造性人工神经网络 (iCANN).
• 将运动增长和恒温表面纳入iCANN,以发现海尔姆霍尔茨自由能量和伪潜力.
• 根据主要压力开发新的前网络设计,以进行增强的材料建模.

主要方法:

• 开发了不弹性的构成型人工神经网络 (iCANN) 架构.
• 在ICANN框架内整合动态生长和恒温表面.
• 使用主要应力设计一种新的前网络.
• 培训和验证使用实验获得的组织等价数据在材料点水平.

主要成果:

• 该iCANN成功地发现了赫尔姆霍尔茨自由能量和伪潜力,特征紧张的平衡.
• 该网络展示了超出初始培训数据的准确预测能力.
• 评估证实了该模型能够从实验数据中在物质点层面上学习.

结论:

• iCANN提供了一种有效的AI驱动方法,用于建模像张力恒温等不弹性现象.
• 拟议的架构显示了准确的材料行为预测的潜力,减少了对广泛专家知识的依赖.
• 需要进一步的研究来解决结构层面的局限性,使用公开可用的代码和数据.