Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models

Die Studie stellt Inelastic Constitutive Kolmogorov-Arnold Networks (iCKANs) als ein neuartiges, interpretierbares Framework vor, das automatisch symbolische Materialgesetze für elastisches und inelastisches Verhalten aus experimentellen und synthetischen Daten ableitet und dabei zusätzliche Einflussfaktoren wie Temperatur berücksichtigt.

Das Wesentliche

Titel: Wie Computer die Sprache der Materialien lernen – Einfach erklärt

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden muss, wie sich verschiedene Materialien verhalten. Nehmen wir Gummi, Plastik oder sogar biologisches Gewebe. Wenn Sie diese Materialien dehnen, drücken oder erwärmen, reagieren sie auf komplexe Weise. Manchmal federn sie zurück (wie ein Gummiband), manchmal bleiben sie verformt (wie Knete), und manchmal tun sie beides gleichzeitig, besonders wenn es warm oder kalt ist.

In der Technik nennen wir diese Regeln die „Stoffgesetze". Früher mussten Ingenieure diese Gesetze mühsam von Hand erfinden, indem sie viele Annahmen trafen. Das war oft wie ein Ratespiel, das bei echten, komplizierten Materialien schiefging.

Diese neue Studie stellt eine revolutionäre Methode vor, die wir „iCKANs" nennen. Hier ist, wie das funktioniert, ganz ohne Fachchinesisch:

1. Der neue Detektiv: iCKAN

Stellen Sie sich iCKAN als einen super-intelligenten, aber sehr ordentlichen Schüler vor.

• Der Lehrer: Der Schüler bekommt Daten aus echten Experimenten (z. B. wie sich ein Polymer bei Hitze dehnt).
• Die Aufgabe: Er soll nicht nur die Daten auswendig lernen, sondern die Regel dahinter finden.
• Das Besondere: Die meisten Computer-Programme (Neuronale Netze) sind wie ein schwarzer Kasten. Sie geben eine Antwort, aber niemand weiß, warum. iCKAN ist anders. Es ist wie ein Schüler, der nicht nur die Antwort hinschreibt, sondern auch die Rechnung dazu auf ein Blatt Papier schreibt, das jeder lesen kann.

2. Die zwei Kräfte: Feder und Dämpfer

Um zu verstehen, wie das Material funktioniert, zerlegt iCKAN das Verhalten in zwei einfache Teile, ähnlich wie bei einem mechanischen Spielzeug:

1. Die Feder (Elastisch): Wenn Sie das Material dehnen und loslassen, federt es zurück. Das ist die „Speicher"-Kraft.
2. Der Dämpfer (Inelastisch): Wenn Sie das Material dehnen und es bleibt ein bisschen hängen oder fließt langsam (wie Honig), ist das die „Verlust"-Kraft.

Das iCKAN-System lernt automatisch, welche Formel genau beschreibt, wie stark diese Feder und dieser Dämpfer sind. Und das Wichtigste: Es schreibt diese Formeln in eine Sprache, die Mathematiker und Ingenieure sofort verstehen können (z. B. „Stress = a × Dehnung²").

3. Warum ist das so genial?

Stellen Sie sich vor, Sie haben ein Rezept für einen Kuchen.

• Alte Methode: Ein Koch (Ingenieur) versucht, das Rezept zu erraten. Er sagt: „Vielleicht braucht man 2 Eier und 300g Mehl." Das funktioniert vielleicht, aber wenn Sie den Ofen heißer machen, wird der Kuchen verbrannt, weil das Rezept die Hitze nicht berücksichtigt.
• iCKAN-Methode: Der Computer schaut sich Tausende von Kuchen an, die bei verschiedenen Temperaturen gebacken wurden. Er findet heraus: „Ah, die Menge an Mehl hängt von der Temperatur ab!" Und dann schreibt er das Rezept so auf, dass Sie genau sehen können: „Wenn es 40 Grad sind, nehmen Sie X, wenn es 80 Grad sind, nehmen Sie Y."

Das iCKAN-System kann also nicht nur das Materialverhalten vorhersagen, sondern auch erkennen, wie externe Faktoren wie Temperatur oder Verarbeitungsbedingungen das Material verändern.

4. Das Ergebnis: Vorhersehbarkeit und Verständnis

In der Studie haben die Forscher dieses System an echten Kunststoffen (VHB 4910 und 4905) getestet.

• Ergebnis: Das System hat das Verhalten dieser Materialien extrem genau vorhergesagt, selbst bei Bedingungen, die es in den Trainingsdaten noch nicht gesehen hatte.
• Der Clou: Am Ende des Trainings gab das System keine komplizierte Computer-Datei zurück, sondern eine klare mathematische Gleichung. Ingenieure können diese Gleichung direkt in ihre Simulations-Software eingeben, um z. B. zu berechnen, wie ein medizinisches Implantat sich im menschlichen Körper über Jahre hinweg verhält.

Zusammenfassung in einem Satz

iCKAN ist wie ein Übersetzer, der die chaotische Sprache von Material-Experimenten nimmt und sie in eine klare, verständliche und physikalisch korrekte mathematische Regel übersetzt – und das alles automatisch, ohne dass ein Mensch raten muss.

Das ist ein großer Schritt hin zu smarteren Materialien, die wir besser verstehen und sicherer einsetzen können, sei es in der Medizin, im Auto oder in der Raumfahrt.

Technische Zusammenfassung

1. Problemstellung

Die Identifizierung von konstitutiven Gesetzen (dem Zusammenhang zwischen Spannung und Dehnung) für komplexe Materialien, insbesondere solche mit inelastischem Verhalten (wie Viskoelastizität, Plastizität), stellt eine zentrale Herausforderung in der Kontinuumsmechanik dar.

• Herausforderungen traditioneller Modelle: Herkömmliche Modelle basieren oft auf vereinfachenden Annahmen, die die reale Komplexität nicht abbilden können. Ihre Entwicklung ist manuell, arbeitsintensiv und erfordert tiefes Domänenwissen.
• Herausforderungen bestehender ML-Ansätze: Datengetriebene Ansätze wie Constitutive Neural Networks (CANNs) oder Symbolic Regression bieten zwar Flexibilität, leiden jedoch oft unter einem Zielkonflikt zwischen Vorhersagegenauigkeit und physikalischer Interpretierbarkeit. Viele neuronale Netze sind „Black Boxes", deren mathematische Formeln nicht direkt abgeleitet werden können. Zudem ist die Modellierung von inelastischem Verhalten unter großen Dehnungen (finite strains) unter thermodynamischen Randbedingungen schwierig.

2. Methodik: Inelastic Constitutive Kolmogorov-Arnold Networks (iCKANs)

Die Autoren stellen iCKANs vor, ein neues Framework, das die Generalisierte Standard-Materialien-Theorie (Generalized Standard Materials) mit der Architektur von Kolmogorov-Arnold Networks (KANs) kombiniert.

Kernkomponenten:

• Konstitutiver Rahmen: Das Modell nutzt die multiplikative Zerlegung des Deformationsgradienten ($F = F_e F_i$) in einen elastischen und einen inelastischen Anteil. Es basiert auf zwei skalaren Potentialen:
  1. Elastisches Potential ($\psi$): Beschreibt die freie Energie.
  2. Inelastisches Potential ($\omega$): Steuert die Evolution der inneren Variablen (Dissipation).
     Beide Potentiale müssen thermodynamisch konsistent sein (insbesondere die Dissipationsungleichung muss erfüllt sein).
• KAN-Architektur: Im Gegensatz zu herkömmlichen MLPs (Multi-Layer Perceptrons), die lineare Gewichte mit nichtlinearen Aktivierungsfunktionen kombinieren, verwenden KANs trainierbare nichtlineare Aktivierungsfunktionen auf den Kanten des Netzes. Diese werden durch B-Splines parametrisiert.
• Partiell input-konvexe KANs: Um die physikalischen Anforderungen zu erfüllen, werden spezielle Architekturen entwickelt:
  • Das elastische Potential muss konvex bezüglich der Dehnungs-Invarianten sein.
  • Das inelastische Potential muss konvex, nicht-negativ und bei Null gleich Null sein (für die Dissipation).
  • Das Netzwerk ist „partiell input-konvex", d.h., es ist bezüglich mechanischer Eingangsgrößen (Invarianten) konvex, kann aber beliebige nicht-mechanische Merkmale (z. B. Temperatur) verarbeiten.
• Symbolische Extraktion (Symbolification): Nach dem Training werden die trainierten B-Spline-Aktivierungsfunktionen durch symbolische Regression durch analytische, geschlossene mathematische Ausdrücke ersetzt. Dies geschieht unter Berücksichtigung von Sparsität (L1-Regularisierung) und dem Entfernen unwichtiger Verbindungen (Pruning).
• Feature-Erweiterung: Das Framework kann zusätzliche Merkmale (z. B. Temperatur) direkt in die Argumente der Potentiale integrieren, um temperaturabhängiges Verhalten zu lernen.

3. Wichtige Beiträge

• Automatisierte Entdeckung interpretierbarer Gesetze: iCKANs automatisieren die Ableitung von symbolischen, geschlossenen Formeln für sowohl elastische als auch inelastische Potentiale aus experimentellen oder synthetischen Daten.
• Thermodynamische Konsistenz durch Architektur: Durch die Verwendung von input-konvexen KANs und speziellen Nachbearbeitungs-Operatoren (H-Operator) werden physikalische Zwangsbedingungen (Konvexität, Nicht-Negativität) strukturell im Netzwerk verankert, nicht nur durch die Verlustfunktion erzwungen.
• Erweiterbarkeit auf inelastische Materialien: Während frühere KAN-Ansätze (CKANs) primär für hyperelastische Materialien entwickelt wurden, erweitert diese Arbeit das Framework erfolgreich auf viskoelastische und inelastische Materialien unter großen Dehnungen.
• Integration nicht-mechanischer Daten: Das Modell kann beliebige zusätzliche Informationen (wie Temperatur) verarbeiten, ohne die physikalische Struktur der mechanischen Potentiale zu verletzen.

4. Ergebnisse

Die Methode wurde an synthetischen Daten und experimentellen Daten von viskoelastischen Polymeren (VHB 4910 und VHB 4905) validiert:

• Synthetische Daten: Das iCKAN-Modell konnte die zugrunde liegenden analytischen Funktionen (Neo-Hookean für Elastizität und quadratische Form für Inelastizität) mit hoher Genauigkeit wiederherstellen. Sowohl explizite als auch implizite Zeitintegrationsverfahren lieferten vergleichbare Ergebnisse.
• VHB 4910 (Viskoelastizität): Das Modell lernte erfolgreich das nichtlineare, ratenabhängige Verhalten aus Zug-Entlastungs-Daten. Durch die parallele Schaltung zweier iCKAN-Äste (analog zu Maxwell-Modellen) konnte das komplexe Relaxationsverhalten präzise abgebildet werden. Die extrahierten symbolischen Formeln zeigten eine hohe Übereinstimmung mit den Daten.
• VHB 4905 (Thermo-Viskoelastizität): Das Framework konnte ein einziges Modell lernen, das das Verhalten über einen Temperaturbereich von 0°C bis 80°C beschreibt. Die Temperatur wurde als Feature in das elastische Potential integriert. Die resultierenden symbolischen Ausdrücke zeigten explizit, wie die Temperatur die Materialsteifigkeit beeinflusst (z. B. durch polynomiale oder exponentielle Abhängigkeiten).
• Interpretierbarkeit: Im Gegensatz zu Black-Box-Netzen lieferte iCKANs geschlossene Formeln (z. B. Kombinationen aus Exponentialfunktionen und Invarianten), die physikalisch interpretierbar und in FEM-Code direkt implementierbar sind.

5. Bedeutung und Ausblick

• Paradigmenwechsel: iCKANs überbrücken die Lücke zwischen rein datengetriebenen Black-Box-Modellen und manuell formulierten physikalischen Modellen. Sie bieten die Vorhersagekraft von Deep Learning mit der Transparenz und physikalischen Konsistenz analytischer Modelle.
• Anwendbarkeit: Das Framework ist nicht auf Viskoelastizität beschränkt, sondern kann auf Plastizität, Schädigung, Wachstum und Umformung erweitert werden.
• Zukunftspotenzial: Die Fähigkeit, den Einfluss von Prozess- oder Servicebedingungen (wie Temperatur, Feuchtigkeit) automatisch in konstitutive Gesetze zu integrieren, eröffnet neue Wege für das materialwissenschaftliche Design und die Vorhersage des Materialverhaltens unter realen Betriebsbedingungen.
• Effizienz: Da die extrahierten Modelle geschlossene analytische Ausdrücke sind, entfällt bei der Simulation (z. B. in FEM) die Notwendigkeit, ein neuronales Netz auszuwerten, was die Rechenzeit erheblich reduziert.

Zusammenfassend stellen iCKANs einen robusten, physikalisch konsistenten und interpretierbaren Ansatz zur automatischen Entdeckung von Materialgesetzen für komplexe inelastische Materialien dar.