Engineering-Oriented Symbolic Regression: LLMs as Physics Agents for Discovery of Simulation-Ready Constitutive Laws

Diese Arbeit stellt einen engineering-orientierten symbolischen Regressionsansatz vor, der Large Language Models als physikinformierte Agenten nutzt, um für Gummimaterialien ein neues, numerisch stabiles und thermodynamisch konsistentes konstitutives Gesetz zu entdecken, das in der Finite-Elemente-Simulation unter extremen Bedingungen robuster ist als etablierte Industriemodelle.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, die Sprache eines Materials zu verstehen – sagen wir, eines Gummibands. Wenn Sie es dehnen, wie reagiert es? Wie viel Kraft braucht es, bis es reißt?

In der Welt der Ingenieure gibt es zwei Hauptmethoden, um diese Sprache zu übersetzen:

1. Die „Super-Genie"-Methode: Man misst das Material mit extrem teuren, hochkomplexen Kameras und Sensoren in jedem einzelnen Punkt. Das ist sehr genau, aber für normale Ingenieure oft zu teuer und zu kompliziert.
2. Die „Vermutung"-Methode: Man nimmt ein einfaches mathematisches Rezept (eine Formel), passt es an ein paar einfache Zugtests an und hofft, dass es funktioniert. Das Problem: Diese Formeln funktionieren oft nur im Labor. Sobald man sie in einer echten Simulation (z. B. für einen Autounfall oder einen medizinischen Implantat) verwendet, brechen sie zusammen, weil sie physikalisch unmöglich sind.

Die neue Lösung: Der „Physik-Detektiv" mit KI-Hilfe

Dieses Papier stellt eine neue Methode vor, die diese Lücke schließt. Sie nennen es EO-SR (Engineering-Oriented Symbolic Regression). Hier ist die einfache Erklärung, wie es funktioniert, mit ein paar bildhaften Vergleichen:

1. Der KI-Agent als strenger Lehrer

Stellen Sie sich vor, Sie lassen einen Schüler (den Computer) eine Formel für Gummi erfinden.

• Ohne KI-Lehrer: Der Schüler sucht einfach nach einer Kurve, die die Messpunkte verbindet. Er könnte eine Formel finden, die perfekt passt, aber physikalisch Unsinn ist – wie eine Formel, die sagt, Gummi wird bei starker Dehnung weich und zerfällt in Nichts, obwohl es eigentlich härter wird.
• Mit dem KI-Lehrer (LLM): Hier kommt die große KI (Large Language Model) ins Spiel. Sie agiert nicht als bloßer Textgenerator, sondern als strenge Physik-Lehrerin. Bevor der Schüler eine Formel vorschlägt, sagt sie: „Halt! Vergiss nicht: Gummi darf nicht einfach verschwinden, und die Energie muss immer positiv sein!"

Die KI übersetzt abstrakte physikalische Gesetze (wie „Thermodynamik" oder „Objektivität") in harte Regeln für den Computer. Sie sagt im Grunde: „Du darfst nur Formeln bauen, die diese Regeln einhalten."

2. Die Entdeckung: Ein hybrides Rezept

Der Computer sucht nun millionenfach nach Formeln, die sowohl die Messdaten genau treffen als auch die Regeln der KI-Lehrerin einhalten.

Das Ergebnis ist eine völlig neue, automatisch entdeckte Formel für Gummi. Sie ist eine clevere Mischung aus zwei Teilen:

• Ein einfacher, linearer Teil (wie ein klassisches Rezept), der das normale Verhalten beschreibt.
• Ein spezieller „Sperren"-Teil (eine rationale Funktion), der wie ein physikalisches Stoppschild wirkt. Er sagt: „Wenn das Gummi zu weit gedehnt wird, wird es unendlich hart, bevor es reißt."

Das ist genial, weil viele alte Formeln diesen „Reißpunkt" nicht richtig abbilden und in Simulationen zu Fehlern führen.

3. Der Beweis: Warum alte Methoden scheitern

Die Autoren haben ihre neue Formel in einer Computersimulation getestet, die einem echten Stress-Test gleicht (ein Stück Gummi mit Rissen, das stark gedehnt wird).

• Das alte Modell (Ogden): Es sah im Labor gut aus. Aber in der Simulation, wo das Material auch stark zusammengedrückt wurde (was im Labor schwer zu messen ist), explodierte die Formel. Die Simulation stürzte ab, weil die Formel mathematisch „verrückt" wurde.
• Das neue Modell (EO-SR): Es lief stabil durch. Weil die KI-Lehrerin von Anfang an darauf geachtet hatte, dass die Formel physikalisch „sinnvoll" bleibt, funktionierte sie auch in den extremen Situationen, die im Labor nicht getestet wurden.

Die große Metapher: Der Architekt vs. der Maler

• Der Maler (traditionelle Daten-Methoden): Er malt ein Bild, das dem Original (den Messdaten) so ähnlich wie möglich sieht. Aber wenn man das Bild dreht oder den Raum verändert, sieht es vielleicht falsch aus.
• Der Architekt (diese neue Methode): Er baut ein Haus. Er nutzt zwar auch Messdaten, aber er zwingt den Bau so, dass es physikalisch stabil ist. Wenn ein Sturm kommt (eine extreme Simulation), steht das Haus, weil die Fundamente (die physikalischen Gesetze) von Anfang an richtig gelegt wurden.

Fazit

Diese Arbeit zeigt, dass wir KI nicht nur nutzen sollten, um Daten zu raten, sondern um physikalische Gesetze zu erzwingen. Die KI fungiert als Wächter, der sicherstellt, dass die entdeckten Formeln nicht nur „hübsch aussehen", sondern auch in der realen Welt funktionieren. Das ist ein großer Schritt, um komplexe Materialien sicherer und schneller in der Technik zu nutzen, ohne teure Experimente zu benötigen.

Technische Zusammenfassung

1. Problemstellung

Die Entdeckung von konstitutiven Gesetzen für komplexe Materialien steht historisch vor einem Dilemma:

• Hohe Datenqualität vs. Datenverfügbarkeit: Hochgenaue datengetriebene Ansätze (z. B. PINNs, VFM) benötigen teure Vollfeld-Messdaten (wie DIC), die im Standard-Engineering oft nicht verfügbar sind.
• Fitting vs. Simulation: Traditionelle Ingenieursansätze passen vordefinierte analytische Modelle (z. B. Ogden, Yeoh) an Standard-Zugdaten an. Diese Modelle können die Trainingsdaten zwar gut abbilden, verletzen jedoch oft fundamentale physikalische Constraints (wie thermodynamische Konsistenz oder Drucker-Stabilität) außerhalb des Kalibrierungsbereichs. Dies führt zu numerischen Singularitäten und Konvergenzfehlern in komplexen Finite-Elemente-Simulationen (FEM).
• Symbolic Regression (SR) Limitierung: Herkömmliche SR-Algorithmen suchen nach mathematischen Kurven ohne physikalische Restriktionen und erzeugen oft „physikalisch ungültige" Ausdrücke, die zwar niedrige Fehlerwerte haben, aber in der Simulation versagen.

Das Ziel ist es, eine Brücke zu schlagen, die es ermöglicht, aus kostengünstigen Standarddaten physikalisch valide und numerisch robuste konstitutive Gesetze zu entdecken.

2. Methodik: EO-SR Framework

Die Autoren stellen einen Engineering-Oriented Symbolic Regression (EO-SR) Rahmen vor, der Large Language Models (LLMs) als „Physics-Informed Agents" nutzt.

Architektur:
Das Framework besteht aus drei gekoppelten Modulen:

1. Data Parser: Standardisiert experimentelle Eingabedaten in Tensoren.
2. Skill Injector (LLM-Agent): Dies ist das Kernstück. Ein LLM (hier Gemini-1.5-Pro) agiert als Domänenexperte. Basierend auf einer natürlichen Sprachbeschreibung (z. B. „Isotrope Hyperelastizität") generiert der Agent zero-shot einen „Skill-Tuple" $S = (T, O, C)$:
   • $T$: Koordinatentransformation (z. B. in invariante Größen).
   • $O$: Zulässiger Operator-Satz (z. B. Ausschluss periodischer Funktionen bei Hyperelastizität).
   • $C$: Physikalische Ungleichungs-Nebenbedingungen (z. B. Drucker-Stabilität, Konvexität).
3. Symbolic Evolution Engine: Ein genetischer Suchalgorithmus optimiert die Funktion $f$ unter Berücksichtigung einer kombinierten Verlustfunktion:
   $$\min L = L_{fit} + \lambda_{reg}\Omega(f) + \sum \lambda_c P(c, f)$$
   Dabei ist $P(c, f)$ eine Straffunktion (basierend auf ReLU), die Verstöße gegen physikalische Constraints (wie negative Hesse-Matrizen) bestraft.

Agent-Assisted Selection:
Nach der Suche werden die Top-Kandidaten erneut vom LLM-Agenten geprüft. Dieser bewertet die analytische Struktur auf physikalische Interpretierbarkeit (z. B. Vorhandensein von rationalen Termen für endliche Dehnbarkeit) und wählt Modelle aus, die nicht nur numerisch passen, sondern strukturell stabil sind.

3. Schlüsselergebnisse

Das Framework wurde am Beispiel der Hyperelastizität von gummiartigen Materialien (Treloar-Datensatz) validiert.

• Entdeckung eines hybriden Modells (Eq16):
  Das System entdeckte ein neues konstitutives Gesetz, das eine lineare Mooney-Rivlin-Basis mit einem rationalen „Locking"-Term kombiniert:
  $$W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$$

  • Der lineare Teil erfasst das Verhalten bei kleinen Dehnungen.
  • Der rationale Term modelliert die endliche Dehnbarkeit der Polymerketten (Singularität bei $\lambda \approx 8.8$).

• Überlegene Generalisierung (Zero-Shot):
  Das Modell wurde nur mit ein- und gleichachsigen Zugdaten kalibriert. Dennoch sagte es das Verhalten bei reiner Scherung (Pure Shear) extrem genau voraus (MSE $\approx 0.0048$). Im Gegensatz dazu versagten etablierte Modelle wie Yeoh (N=3) bei der Vorhersage der Scherung oder zeigten übermäßige Versteifung.

• Numerische Robustheit (FEM-Validierung):

  • Erfolg: Das EO-SR-Modell lieferte in einer Simulation einer doppelt gekerbten Zugprobe unter großen Verformungen (inkl. transversaler Kompression) stabile Konvergenz.
  • Versagen des Industriestandards: Das weit verbreitete Ogden-Modell (N=3) scheiterte in derselben Simulation. Obwohl es die Zugdaten perfekt fitte, führte die negative Exponenten-Komponente unter starker Querkompression zu einer numerischen Singularität (Steifigkeit explodiert), was den Solver zum Absturz brachte.

• Thermodynamische Konsistenz:
  Das entdeckte Modell garantiert eine globale Konvexität der Energiefunktion (positive definite Hesse-Matrix) über den gesamten Dehnungsbereich, was die Drucker-Stabilitätskriterien erfüllt.

4. Hauptbeiträge

1. Skill-Based Discovery Architecture: Einführung eines modularen Frameworks, bei dem LLMs physikalische Constraints (Konvexität, Frame-Indifferenz) automatisch in ausführbaren Code übersetzen und den Suchraum einschränken.
2. Überbrückung der „Fitting-Simulation Gap": Demonstration, dass durch die Integration thermodynamischer Constraints in die Verlustfunktion Modelle gefunden werden können, die sowohl datengenau als auch für FEM-Simulationen numerisch stabil sind.
3. Entdeckung optimaler Formen: Identifikation eines hybriden Modells, das die Interpretierbarkeit und Stabilität klassischer Modelle mit der Genauigkeit komplexer Reihenentwicklungen vereint und dabei numerische Risiken eliminiert.

5. Bedeutung und Ausblick

Dieses Paper etabliert einen neuen Paradigmenwechsel für „AI for Science":

• LLMs als physikalische Wächter: LLMs werden nicht nur als Code-Generatoren, sondern als Agenten eingesetzt, die theoretische Konsistenz erzwingen.
• Simulation-Ready: Der Fokus verschiebt sich von reinem Daten-Fitting hin zur Entdeckung von mathematischen Schließungen, die in der Praxis (FEM) funktionieren.
• Generalisierbarkeit: Die „Skill"-Architektur ist domänenunabhängig und kann auf andere komplexe Systeme erweitert werden (z. B. Plastizität, anisotrope Gewebe, Fluiddynamik), indem der Agent spezifische physikalische Logiken (wie Zug-Druck-Asymmetrie) in Suchbeschränkungen übersetzt.

Zusammenfassend bietet EO-SR einen niedrigschwelligen, aber rigorosen Weg, um aus Standarddaten physikalisch fundierte und numerisch stabile Materialgesetze zu entdecken, die die Lücke zwischen empirischer Beobachtung und theoretischer Vorhersage schließen.