🔬 materials science

Neural operator accelerated atomistic to continuum concurrent multiscale simulations of viscoelasticity

تقدم هذه الورقة إطار عمل متزامن متعدد المقاييس معززاً بالمؤثرات العصبية يربط بين المحاكاة الذرية وتحليل العناصر المحدودة المتصل بالاستمرارية باستخدام بديل "المؤثر العصبي المتكرر" لنمذجة السلوك اللزوجي المرن المعتمد على التاريخ لمواد مثل البولي يوريا بكفاءة ودقة عند مقاييس كانت غير قابلة للحل سابقاً للربط المباشر مع الديناميكا الجزيئية.

المؤلفون الأصليون: Tanvir Sohail, Burigede Liu, Swarnava Ghosh

نُشر 2026-03-31

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tanvir Sohail, Burigede Liu, Swarnava Ghosh

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بكيفية تفاعل قطعة من البولي يوريا (وهي مادة فائقة القوة ومرنة تُستخدم في الدروع الواقية من الرصاص وامتصاص الصدمات) عند تعرضها لطلقة رصاص أو جسم ساقط.

المشكلة هي أن البولي يوريا مادة مخادعة. فخلافاً لعارضة فولاذية تنحني ببساطة، فإن البولي يوريا مادة "لزجة مرنة" (viscoelastic). وهذا يعني أن رد فعلها يعتمد على التاريخ. إذا قمت بشدها ببطء، ستتصرف بطريقة معينة؛ وإذا جذبتها بسرعة، ستتصرف بطريقة مختلفة. وإذا شددتها، ثم تركتها، ثم شددتها مرة أخرى، فإنها "تتذكر" عملية الشد الأولى. الأمر يشبه وسادة "ميموري فوم" (Memory Foam) لم تستعد شكلها الأصلي بالكامل بعد.

لفهم هذا بدقة، يتعين على العلماء عادةً محاكاة المادة على المستوى الذري (مراقبة رقص كل جزيء بمفرده). لكن القيام بذلك لمصد سيارة كامل أو خوذة أمر مستحيل؛ إذ سيتطلب ذلك من الحاسوب الخارق آلاف السنين لإجراء الحسابات.

تقدم هذه الورقة البحثية حلاً ذكياً: "عدّاء الذكاء الاصطناعي السريع" (The AI Speed-Runner).

إليك تفصيل حلهم باستخدام تشبيهات بسيطة:

1. المشكلة: معضلة "المجهر مقابل التلسكوب"

المجهر (المحاكاة الذرية): ينظر إلى المادة جزيئاً بجزيء. إنه دقيق للغاية ولكنه بطيء بشكل مؤلم. الأمر يشبه محاولة فهم كيفية عمل نظام حركة المرال في مدينة كاملة من خلال مراقبة محرك كل سيارة على حدة في الوقت الفعلي.
التلسكوب (محاكاة الاستمرارية/Continuum): ينظر إلى المادة ككتلة صلبة ملساء. إنه سريع، ولكنه غالباً ما يغفل التفاصيل الصغيرة والمعقدة لكيفية "تذكر" المادة للضغوط السابقة.
الطريقة القديمة: حاول العلماء تشغيل "المجهر" داخل "التلسكوب" عند كل نقطة من نقاط المحاكاة. هذا يشبه توظيف فريق من مهندسي المرور لمراقبة محرك كل سيارة بينما يحاولون في الوقت نفسه التنبؤ بتدفق حركة المرور في المدينة. هذا مكلف وبطيء للغاية.

2. الحل: "المُعامل العصبي المتكرر" (RNO)

قام المؤلفون بإنشاء توأم رقمي (بديل ذكي يعمل بالذكاء الاصطناعي) يتعلم قواعد المادة دون الحاجة لمراقبة كل ذرة في كل مرة.

مرحلة التدريب (فترة التدريب العملي):
تخيل أن لديك طالباً عبقرياً (الذكاء الاصطناعي). تضعه في غرفة مع مجهر ضخم وتعرض عليه مليوني سيناريو مختلف: "ماذا يحدث إذا شددنا المادة بسرعة؟ ببطء؟ وهي ساخنة؟ وهي باردة؟"
يشاهد الطالب الذرات، ويتعلم الأنماط، ويدرك: "آه، لقد فهمت! عندما تكون المادة ساخنة ومشدودة، تتصرف هكذا. وعندما تكون باردة ومشدودة، تتصرف هكذا".
الطالب لا يحفظ الإجابات فحسب؛ بل يتعلم القوانين الأساسية لكيفية سلوك المادة.
خدعة "الذاكرة":
بما أن المادة تمتلك "ذاكرة" (فهي تتذكر عمليات الشد السابقة)، فقد تم تزويد الذكاء الاصطناعي بـ "دفتر ملاحظات" خاص يسمى المتغيرات الداخلية الكامنة (Latent Internal Variables).
- تشبيه: فكر في متسلق جبال. إذا سألت: "ما مدى تعبك؟" فإن الإجابة تعتمد على المسافة التي مشيتها بالأمس، وليس فقط على مكان وقوفك الآن.
- يقوم دفتر ملاحظات الذكاء الاصطناعي بتسجيل "إجهاد المتسلق". وفي كل خطوة من خطوات المحاكاة، يقوم الذكاء الاصطناعي بتحديث هذا الدفتر بناءً على الشد الحالي والملاحظات السابقة، ثم يتنبأ بالإجهاد.

3. السحر: التعلم بنقل المعرفة (الطالب متعدد اللغات)

أحد أروع أجزاء هذه الورقة هو كيفية تعليم الذكاء الاصطناعي عن درجة الحرارة.

عادةً، سيتعين عليك تعليم الذكاء الاصطناعي عن درجة حرارة 300 كلفن (درجة حرارة الغرفة)، ثم تبدأ من جديد لتعليمه عن 400 كلفن (أكثر سخونة)، ثم 500 كلفن (أكثر سخونة).
بدلاً من ذلك، استخدموا التعلم بنقل المعرفة (Transfer Learning). علموا الذكاء الاصطناعي قواعد اللعبة عند 300 كلفن أولاً. ثم قالوا له: "حسناً، أنت تعرف بالفعل قواعد اللعبة؛ فقط عدّل استراتيجيتك لتناسب الحرارة".
تشبيه: الأمر يشبه تعليم شخص كيفية قيادة السيارة في المطر. بمجرد أن يتعلم القيادة، فإن تعليمه القيادة في الثلج سيكون أسرع بكثير لأنه يفهم بالفعل مفاهيم التوجيه، والفرملة، والتسارع؛ هو فقط يحتاج لتعلم التعديلات الخاصة بـ "الانزلاق". هذا وفر قدراً هائلاً من الوقت وقوة الحوسبة.

4. الاختبار: وضع الذكاء الاصطناعي تحت الاختبار

وضع الفريق المحاكاة المدعومة بالذكاء الاصطناعي عبر ثلاثة تحديات صعبة وقارنوها بطريقتين أخريين:

نموذج قائم على الفيزياء (Clifton): وهو "المعيار الذهبي" والخبير، ولكنه معقد.
نموذج معدني (Johnson-Cook): نموذج سريع مصمم للفولاذ، ولا يفهم "ذاكرة" المواد المطاطية.

النتائج:

النموذج المعدني (Johnson-Cook): فشل. لقد عامل البولي يوريا كأنها معدن صلب. لم يستطع التقاط "المرونة" أو تراكم الحرارة. كان الأمر أشبه بمحاولة التنبؤ بكيفية حركة قنديل البحر من خلال دراسة طوبة.
الذكاء الاصطناعي (RNO): نجح. لقد طابق "النموذج الفيزيائي المعياري" بدقة شبه تامة. وقد تنبأ بشكل صحيح بـ:
- كيف تسخن المادة عند اصطدامها (بسبب الاحتكاك الناتج عن احتكاك الجزيئات الداخلية).
- كيف تنتقل موجات الإجهاد عبر المادة.
- "التلاكؤ" (Hysteresis) (الطاقة المفقودة كحرارة عند الشد والتحرير).

5. لماذا يهم هذا؟

قبل هذا، كانت محاكاة حادث سيارة بهذا المستوى من الدقة الذرية ستستغرق قروناً من وقت الحاسوب.

باستخدام الذكاء الاصطناعي: تعمل المحاكاة في غضون ساعات.
المقايضة: لقد استغرقوا حوالي 50 ساعة من وقت الحاسوب الخارق لتدريب الذكاء الاصطناعي لمرة واحدة. ولكن بعد ذلك، يمكنهم تشغيل آلاف عمليات المحاكاة في الوقت الذي كان يستغرقه تشغيل عملية واحدة فقط بالطريقة القديمة.

الخلاصة

قام المؤلفون ببناء ذكاء اصطناعي ذكي ومزود بالذاكرة تعلم "شخصية" مادة مطاطية معقدة من خلال مراقبة ذراتها. الآن، بدلاً من مراقبة الذرات وهي ترقص في كل مرة نريد فيها محاكاة حادث، نسأل الذكاء الاصطناعي: "ماذا ستفعل الذرات؟" ويجيب فوراً بدقة تقارب الكمال.

هذا يسمح للمهندسين بتصميم دروع واقية أفضل، وسيارات أكثر أماناً، وممتصات صدمات أفضل، من خلال محاكاة التفاصيل المجهرية للمواد دون انتظار الحاسوب الخارق لينهي واجباته المنزلية.

1. بيان المشكلة

إن الاستجابة الميكانيكية العيانية للمواد ذات اللزوجة المرنة (مثل البوليمرات) هي بطبيعتها تعتمد على التاريخ، حيث تعتمد على مسار التحميل السابق بالكامل، ومعدل الانفعال، ودرجة الحرارة. تواجه طرق النمذجة متعددة المقاييس التقليدية مقايضة جوهرية:

الطرق الهرمية (Hierarchical methods): تتسم بالكفاءة الحسابية ولكنها تفتقر إلى الدقة التنبؤية للظواهر التي تنطوي على تفاعلات قوية بين المقاييس، أو بنيات مجهرية متطورة، أو تمركز الإجهادات (localization).
الطرق المتزامنة (Concurrent methods): (مثل FE²، وQuasicontinuum) توفر دقة عالية من خلال حل الفيزياء الدقيقة داخل محاكاة عيانية، ولكنها غالبًا ما تكون باهظة التكلفة حسابيًا. وتحديدًا، يتطلب الربط المباشر بين الديناميكا الجزيئية (MD) وطريقة العناصر المحدودة (FEM) حل مشكلة كاملة لعنصر حجم تمثيلي (RVE) ذري عند كل نقطة تكامل وكل خطوة زمنية. بالنسبة للمواد التي تعتمد على التاريخ، فإن هذا النهج "القائم على القوة الغاشمة" (brute-force) يعد مستحيلاً بسبب التكلفة الحسابية الهائلة.

لقخت ركزت البدائل القائمة على التعلم الآلي الموجودة بشكل كبير على اللدونة غير المعتمدة على المعدل أو المرونة الخطية، وفشلت في التقاط تأثيرات الذاكرة المعقدة المعتمدة على المعدل ودرجة الحرارة والمتأثرة بها، والملازمة للمواد اللزجة المرنة.

2. المنهجية

يقترح المؤلفون إطار عمل متعدد المقاييس متزامنًا مع تسريع بواسطة المشغل العصبي (Neural Operator-Accelerated Concurrent Multiscale Framework) يستبدل تقييمات الديناميكا الجزيئية (MD) المكلفة بنموذج بديل متعلم.

أ. البديل القائم على المشغل العصبي المتكرر (RNO)

المفهوم: يتعلم الـ RNO الخرائطية التكوينية $\Phi$ من تاريخ تدرجات التشوه ( $F$ )، ومعدلات الانفعال ( $\dot{F}$ )، ودرجة الحرارة ( $\theta$ ) إلى إجهاد كوشي ( $\sigma$ ).
البنية: يقرب الـ RNO هذه الخرائطية باستخدام نظام مستمر زمنياً يتم تعريفه بواسطة:
- مخرجات الإجهاد: $\sigma(t) = \phi(F(t), \dot{F}(t), \theta(t), \xi(t))$
- تطور الحالة الداخلية: $\dot{\xi}(t) = \beta(F(t), \dot{F}(t), \theta(t), \xi(t))$
- هنا، يمثل $\xi(t)$ متجهًا من المتغيرات الداخلية الكامنة التي تشفر ذاكرة المادة. وعلى عكس الشبكات العصبية المتكررة القياسية (مثل LSTMs) حيث تكون الذاكرة ضمنية، يقوم الـ RNO بنمذجة الذاكرة صراحةً من خلال هذه الحالات الداخلية المتطورة، مما يضمن الاستقلال عن التجزئة (discretization independence).
استراتيجية التدريب:
- توليد البيانات: تم إجراء 2 مليون محاكاة ديناميكا جزيئية (MD) على عناصر حجم تمثيلي (RVEs) لمادة البولي يوريا باستخدام برنامج LAMMPS عبر درجات حرارة 300 كلفن، 400 كلفن، و500 كلفن.
- تعلم النقل (Transfer Learning): تم تدريب النموذج أولاً على بيانات 300 كلفن. ثم استُخدمت الأوزان المتعلمة لتهيئة نماذج لدرجات حرارة 400 كلفن و500 كلفن، مما قلل بشكل كبير من البيانات ووقت التدريب المطلوب لدرجات الحرارة الأعلى.
- التقارب: تم تحسين عدد المتغيرات الداخلية ( $k$ ) (وُجد أنه 25) لتقليل الخطأ النسبي.

ب. التنفيذ متعدد المقاييس

يتم دمج بديل الـ RNO المدرب في حلل العناصر المحدودة الصريح (ABAQUS/Explicit عبر VUMAT).
عند كل نقطة تربيع (quadrature point) وخطوة زمنية، يقوم الحل بتحديث المتغيرات الداخلية $\xi$ ويحسب الإجهاد باستخدام الشبكة العصبية، متجاوزًا الحاجة إلى حلول MD في الوقت الفعلي.
يدعم الإطار الاقتران الحراري الميكانيكي، حيث يتم تحويل التبديد الميكانيكي إلى حرارة، مما يؤدي لتحديث درجة الحرارة المحلية التي تؤثر بدورها على الاستجابة التكوينية.

3. المساهمات الرئيسية

أول محاكاة متزامنة (MD-FEM) للمواد اللزجة المرنة: تقدم الورقة أول تنفيذ ناجح لإطار عمل متزامن من الذري إلى المستمر خصيصًا للمواد اللزجة المرنة التي تعتمد على التاريخ، مما يجعل هذه المحاكاة ممكنة حسابيًا.
الـ RNO للمواد المعتمدة على التاريخ: تثبت الورقة أن المشغلات العصبية المتكررة يمكنها تعلم القوانين التكوينية المعقدة، وغير الموضعية، والمعتمدة على المسار للبوليمرات، والتقاط ظواهر مثل استرخاء الإجهاد، والزحف، والتباطؤ (hysteresis).
تعلم النقل لدرجة الحرارة: تبرهن الدراسة على استراتيجية تعلم النقل التي تسمح للبديل بالتعميم عبر درجات حرارة مختلفة (300-500 كلفن) مع حد أدنى من بيانات التدريب الإضافية.
الاستقلال عن التجزئة: يوفر صياغة الـ RNO تقريبًا مستقلًا عن الدقة، مما يسمح للبديل الذي تم تدريبه على خطوات زمنية محددة بالتطبيق في محاكاة عيانية ذات دقة زمنية مختلفة.

4. النتائج والتحقق من الصحة

تم التحقق من صحة الإطار باستخدام البولي يوريا (بوليمر عالي الأداء) من خلال ثلاث سيناريوهات محاكاة متميزة، وتمت مقارنتها بنموذج لزج مرن تمت معايرته تجريبيًا (Clifton et al.) ونموذج Johnson-Cook (J-C) قياسي.

التحميل الدوري (Cyclic Loading):
- استعاد بديل الـ RNO بدقة حلقات التباطؤ وتبديد الطاقة الملاحظ في نموذج Clifton.
- نجح في التقاط تأخر الطور بين الإجهاد والانفعال وإعادة توزيع الإجهاد التدريجي.
- فشل نموذج Johnson-Cook في التقاط الاسترخاء اللزج المرن، حيث أظهر حلقات تباطؤ أضيق وسلوكًا مرنًا-بلاستيكيًا.
اختبار تأثير تايلور (Taylor Impact Test):
- طابق بديل الـ RNO تنبؤات نموذج Clifton فيما يتعلق بـ الطاقة الممتصة، والتقصير المحوري، وقوى رد فعل الجدار.
- نجح في محاكاة انتشار الموجات الانضغاطية وارتفاع درجة الحرارة المرتبط بالتبديد.
- توقع نموذج J-C استجابة أكثر صلابة مع تبديد أقل في الطاقة وتطورًا غير صحيح للطول.
اختبار تأثير الصدمة (Plate Impact Test):
- التقط بديل الـ RNO انتشار موجة الإجهاد المقترن، وانحناء الهيكل، والتسخين الموضعي بدقة عالية.
- أعاد إنتاج أنماط استرخاء الإجهاد وإعادة توزيعه كما في نموذج Clifton، بينما أظهر نموذج J-C تركيزات إجهاد غير واقعية وفشل في التقاط الاسترخاء.
الكفاءة الحسابية:
- العبء الإضافي (Overhead): تطلب توليد بيانات التدريب حوالي 50.5 ساعة على سوبر كمبيوتر Frontier (تم ذلك مرة واحدة لكل مادة).
- سرعة المحاكاة: كانت عمليات المحاكاة المسرعة بواسطة RNO أسرع بكثير من نموذج Clifton (على سبيل المثال، 4.2 ساعة مقابل 5.9 ساعة لاختبار تايلور) وكانت أبطأ قليلاً فقط من نموذج J-C.
- الإمكانية الحسابية: كان الربط المباشر بين MD و FEM سيتطلب ملايين الاستدعاءات لـ MD، مما يجعله مستحيلاً؛ حيث قلل نهج RNO التكلفة إلى مستويات مقاربة للمحاكاة المستمرة القياسية.

5. الأهمية

يعمل هذا العمل على جسر فجوة حرجة في علوم المواد الحسابية من خلال تمكين المحاكاة التنبؤية للمواد اللزجة المرنة عند المقاييس العيانية، والمستندة إلى معلومات ذرية.

الأثر العلمي: إنه يتجاوز النماذج التكوينية التجريبية (مثل Johnson-Cook) التي غالبًا ما تفشل مع البوليمرات، مما يوفر بديلًا قائمًا على الفيزياء والبيانات يلتقط السلوكيات المعقدة المعتمدة على المعدل ودرجة الحرارة دون معاملات ضبط تجريبية.
التطبيق الهندسي: يسمح هذا الإطار بتصميم وتحليل الأنظمة القائمة على البوليمرات (مثل الدروع، وممتصات الصدمات) تحت ظروف التحميل الديناميكي القاسية بمستوى من الدقة لم يكن متاحًا سابقًا دون تكاليف حسابية باهظة.
الآفاق المستقبلية: يقترح المؤلفون توسيع هذا الإطار ليشمل البنيات المجهرية غير المتجانسة، والتعلم النشط أثناء التشغيل (on-the-fly active learning)، والمواد الأخرى المعتمدة على التاريخ مثل الإيلاستومرات والبوليمرات اللزجة المرنة الحرارية.