A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

Dieser Artikel stellt ein kausales und energetisches neuronales Netzwerk-Framework für das Erlernen von geschichtsabhängigen Stoffgesetzen vor, das thermodynamische Konsistenz, Stabilität und Lösungsexistenz gewährleistet und gleichzeitig nachweist, dass erlernte innere Variablen bis auf eine lineare Transformation eindeutig sind, wobei eine relative Fehlerquote von 2 % bei der Vorhersage der Antwort einer polykristallinen Magnesium-Einheitszelle erreicht wird.

Das Wesentliche

Das große Ganze: Einen Computer lehren, Materialien zu „fühlen"

Stellen Sie sich vor, Sie versuchen vorherzusagen, wie sich ein Metallstück verbiegt, dehnt oder staucht, wenn Sie darauf drücken. Im Ingenieurwesen verwenden wir normalerweise mathematische Formeln (sogenannte konstitutive Gesetze), um dieses Verhalten zu beschreiben.

Metalle sind jedoch tricky. Sie reagieren nicht nur auf den Druck, den Sie gerade jetzt ausüben; sie erinnern sich an jeden Druck und Zug, den sie je erfahren haben. Dies nennt man Geschichtsabhängigkeit. Wenn Sie ein Metallstück dehnen, loslassen und es erneut dehnen, verhält es sich beim zweiten Mal anders wegen seines „Gedächtnisses".

Traditionell müssen Wissenschaftler die richtigen mathematischen Formeln erraten, um dieses Gedächtnis zu beschreiben. Doch für komplexe Materialien (wie das Magnesium in dieser Studie) ist das Erraten der richtigen Formel unglaublich schwierig.

Die Lösung: Die Autoren entwickelten eine spezielle Art Künstlicher Intelligenz (KI) – genauer gesagt ein neuronales Netz –, die diese komplexen „Gedächtnis"-Regeln direkt aus Daten lernen kann, ohne dass ein Mensch zuerst eine Formel erraten muss.

Das Problem: KI kann „unphysikalisch" sein

Wenn Sie eine Standard-KI einfach aus Daten lernen lassen, mag sie zwar sehr gut darin sein, die Vergangenheit vorherzusagen, aber sie könnte sich für die Zukunft verrückte Physik ausdenken. Zum Beispiel könnte sie vorhersagen, dass ein Metallblock, wenn man ihn stark genug zusammendrückt, ohne jeden Widerstand in einen einzigen Punkt verschwindet. In der realen Welt ist das unmöglich; Materie widersetzt sich dem Zerquetschen ins Nichts.

Standard-KI versteht auch nicht von selbst das Zweite Gesetz der Thermodynamik (das im Wesentlichen besagt, dass Energie als Wärme verloren geht, wenn Dinge aneinander reiben) oder Stabilität (das Material sollte nicht plötzlich explodieren oder sich unregelmäßig verhalten).

Die Lösung: Das „Physik-First"-KI-Framework

Die Autoren schufen ein neues Framework, das die KI dazu zwingt, die Gesetze der Physik durch Design zu befolgen, nicht nur durch Zufall. Stellen Sie sich vor, Sie bauen einen Automotor, bei dem die Kolben physikalisch mit den Rädern verbunden sind; das Auto kann nicht rückwärts fahren, wenn sich die Räder vorwärts bewegen.

So haben sie es gemacht:

1. Die „internen Variablen" (Das verborgene Gedächtnis):
   Da die KI die mikroskopischen Veränderungen im Inneren des Metalls (wie winzige Defekte, die sich bewegen) nicht sehen kann, führten die Autoren unsichtbare „Gedächtnisplätze" ein, die internen Variablen genannt werden.

   • Analogie: Stellen Sie sich einen Schwamm vor. Wenn Sie ihn zusammendrücken, bewegt sich Wasser im Inneren. Sie können das Wasser nicht sehen, wie es sich bewegt, aber die Form des Schwamms ändert sich dadurch. Die „internen Variablen" sind die Art und Weise, wie die KI verfolgt, wo dieses „Wasser" (die mikroskopischen Veränderungen) ist, auch wenn es verborgen ist.
   • Die Entdeckung: Das Papier beweist, dass, obwohl die KI je nach ihrem Lernstart unterschiedliche „Gedächtnisplätze" erfinden mag, diese Plätze immer nur eine lineare Transformation voneinander sind.
   • Einfache Übersetzung: Wenn eine KI ihren Speicher „Slot A" nennt und eine andere „Slot B", beschreiben sie tatsächlich exakt dasselbe, nur unter Verwendung eines anderen Koordinatensystems (wie das Messen von Entfernungen in Zoll versus Zentimetern). Sie sind mathematisch äquivalent.

2. Die „Energiepotenziale" (Die Regeln des Spiels):
   Die KI lernt zwei Hauptdinge:

   • Gespeicherte Energie: Wie viel Energie gespeichert wird, wenn Sie das Material dehnen (wie eine Feder).
   • Dissipation: Wie viel Energie als Wärme verloren geht (wie Reibung).
     Die Autoren bauten die KI so, dass sie muss der Regel folgen, dass Energieverlust immer positiv ist (Sie können keine Energie kostenlos zurückbekommen) und dass das Material unendlich schwer zu komprimieren wird, je kleiner es wird (es kann nicht zu einem Punkt zerquetscht werden).

3. Die „Wachstumsfunktionen" (Das Sicherheitsnetz):
   Um sicherzustellen, dass die KI keine unmöglichen Szenarien vorhersagt (wie unendliche Kompression), fügten sie spezielle mathematische „Schutzbarrieren" hinzu.

   • Analogie: Stellen Sie sich einen Videospielcharakter vor, der schnell laufen kann, aber wenn er versucht, über den Rand der Karte zu laufen, drückt ihn eine riesige unsichtbare Wand zurück. Diese Schutzbarrieren stellen sicher, dass, wenn Sie versuchen, das Material über die Daten hinaus zu dehnen oder zu quetschen, die die KI gesehen hat, es sich dennoch realistisch verhält (immer schwerer zu verformen wird), anstatt die Gesetze der Physik zu brechen.

Das Experiment: Polykristallines Magnesium

Das Team testete dieses Framework an Magnesium, einem Metall, das in Autos und Flugzeugen verwendet wird. Magnesium besteht aus vielen winzigen Kristallen (Körnern), die zusammengeklebt sind, was sein Verhalten sehr komplex macht.

• Das Setup: Sie generierten Daten, indem sie das mikroskopische Verhalten eines winzigen Würfels aus diesem Magnesium simulierten.
• Das Training: Sie fütterten diese Daten mit ihrer „physikbewussten" KI.
• Das Ergebnis: Die KI lernte, wie sich der gesamte Magnesiumblock verhalten würde, mit nur 2 % Fehler. Dies ist unglaublich genau.
• Die Geschwindigkeit: Da die KI ein schnelles Computerprogramm ist, kann sie dieses Verhalten viel schneller vorhersagen als die langsamen, komplexen mikroskopischen Simulationen, an denen sie trainiert wurde.

Wichtige Erkenntnisse

• Genauigkeit: Die KI lernte das komplexe „Gedächtnis" des Metalls mit 2 % Fehler.
• Physik-Konformität: Die KI respektiert die Gesetze der Thermodynamik und der Materialstabilität. Sie wird nicht vorhersagen, dass ein Metall zu einem Punkt zerquetscht werden kann.
• Einzigartiges Gedächtnis: Obwohl die KI „versteckte" Variablen erstellt, um das Gedächtnis zu verfolgen, beweist das Papier, dass diese Variablen bis auf eine einfache mathematische Änderung (wie das Wechseln der Einheiten) einzigartig sind. Das bedeutet, dass die KI nicht einfach zufällige Zahlen halluziniert; sie findet eine echte, konsistente Struktur.
• Objektivität: Das Modell funktioniert korrekt, auch wenn Sie das Material aus einem anderen Winkel betrachten (Rotation), was eine entscheidende Anforderung für die reale Ingenieursarbeit ist.

Zusammenfassung

Die Autoren bauten eine intelligente, physikversierte KI, die lernen kann, wie sich komplexe Metalle im Laufe der Zeit verhalten. Es ist, als würde man einem Schüler nicht nur die Antworten auf Matheaufgaben beibringen, sondern die grundlegenden Regeln der Arithmetik, damit er jede Aufgabe korrekt lösen kann, sogar solche, die er noch nie gesehen hat. Das Ergebnis ist ein schnelles, genaues und physikalisch realistisches Modell zur Vorhersage, wie Materialien wie Magnesium unter Stress reagieren werden.

Technische Zusammenfassung

Technische Zusammenfassung: Ein neuronales Netzwerk-Framework zum Erlernen history-abhängiger Stoffgesetze und zur Identifizierbarkeit interner Variablen

Problemstellung
Die Identifikation von Stoffgesetzen ist entscheidend für die Modellierung des Materialverhaltens, insbesondere beim Überbrücken der Lücke zwischen mikroskopischer Physik und makroskopischen ingenieurtechnischen Anwendungen. Traditionelle Ansätze stützen sich häufig auf die Anpassung experimenteller Daten an mathematische Modelle oder den Einsatz von Ersatzmodellen (Surrogate Models), um den Rechenaufwand von Multiskalen-Simulationen (z. B. FE2) zu reduzieren. Standardisierte datengetriebene Modelle, insbesondere solche, die auf rekurrenten neuronalen Netzen (RNN) basieren und die Dehnungshistorie direkt auf die Spannung abbilden, halten jedoch oft keine strenge Einhaltung fundamentaler physikalischer Prinzipien ein. Konkret können sie versagen, folgende Bedingungen zu erfüllen:

1. Das zweite Gesetz der Thermodynamik (Dissipation).
2. Die Materialstabilität unter extremen Dehnungen.
3. Die mathematischen Bedingungen (wie Polykonvexität), die erforderlich sind, um die Existenz von Lösungen für die zugrunde liegenden nichtlinearen Impulsbilanzgleichungen zu garantieren.

Darüber hinaus werden bei inelastischen Materialien interne Variablen oft a priori postuliert oder aus Daten gelernt, ohne eine klare theoretische Charakterisierung ihrer Eindeutigkeit. In datengetriebenen Szenarien ist unklar, ob gelernte interne Variablen eindeutig sind oder lediglich unterschiedliche Darstellungen desselben physikalischen Zustands darstellen.

Methodik
Die Autoren schlagen ein kausales, energetisches neuronales Netzwerk (NN)-Framework vor, das auf der Theorie interner Variablen basiert, um history-abhängige Stoffgesetze zu erlernen. Der Ansatz reformuliert die nicht-Markovsche Spannungs-Dehnungs-Beziehung in ein Markovsches System, indem eine Menge interner Variablen $\xi(t)$ eingeführt wird.

• Energetische Formulierung: Die Spannung $P$ und die Entwicklung interner Variablen werden aus einem Energiedichtepotential $W(F, \xi)$ und einem Dissipationspotential $\bar{D}(\dot{\xi})$ abgeleitet. Das Framework erzwingt das zweite Gesetz der Thermodynamik, indem sichergestellt wird, dass $\bar{D}$ konvex ist und ein Minimum bei Null besitzt.
• Explizite Dynamik via Legendre-Transformation: Um das Lösen impliziter gewöhnlicher Differentialgleichungen (ODE) während des Trainings zu vermeiden, nutzen die Autoren die Legendre-Transformation des Dissipationspotentials. Dies wandelt die implizite Evolutionsgleichung in eine explizite Form um und ermöglicht es dem Netzwerk, das duale Dissipationspotential $D$ direkt zu erlernen.
• Neuronale Netzwerk-Architektur:
  • Input Convex Neural Networks (ICNNs): Die Potentiale $W$ und $D$ werden mittels flacher ICNN-Architekturen parametrisiert. Die Gewichte in der letzten Schicht sind so eingeschränkt, dass sie positiv sind, um die Konvexität der Potentiale sicherzustellen, was für die thermodynamische Konsistenz und die Existenz von Lösungen notwendig ist.
  • Polykonvexität und Objektivität: Das Energiedichtepotential $W$ wird in hydrostatische und deviatorische Komponenten zerlegt. Der hydrostatische Teil wird so modelliert, dass Polykonvexität gewährleistet ist (eine Bedingung für Existenzsätze in der nichtlinearen Elastizität). Um Objektivität (Formänderungsunabhängigkeit) zu erfüllen, wird das Modell auf symmetrische Verzerrungsgradienten (Raum des rechten Cauchy-Green-Tensors) trainiert und über die polare Zerlegung auf nicht-symmetrische Gradienten erweitert, anstatt sich auf weiche Zwangsbedingungen in der Verlustfunktion zu verlassen.
  • Materialstabilität: Um unphysikalisches Verhalten unter extremen Dehnungen zu verhindern (z. B. das Komprimieren eines Materials auf einen Punkt mit endlicher Energie), werden spezifische Wachstumsfunktionen ($G_1, G_2$) zu den Potentialen hinzugefügt. Diese Funktionen bleiben innerhalb des Datenbereichs nahezu konstant, erzwingen jedoch ein polynomiales Wachstum außerhalb dieses Bereichs, wodurch sichergestellt wird, dass die Spannung angemessen gegen Unendlich strebt, wenn die Determinante des Verzerrungsgradienten gegen Null geht oder die Dehnung groß wird.
• Trainingsstrategie: Das Framework wird mit Daten trainiert, die aus einem feinskaligen Kristallplastizitätsmodell einer polykristallinen Magnesium-Einheitszelle generiert wurden. Das Training umfasst die Minimierung des Fehlers zwischen vorhergesagten und wahren Spannungs-Komponenten, wobei separate Verlustterme für die hydrostatischen und deviatorischen Anteile verwendet werden, um die Diskrepanz in deren Größenordnungen zu behandeln.

Hauptbeiträge

1. Physikalisch konsistentes Framework: Die Autoren stellen ein NN-Framework vor, das gleichzeitig das zweite Gesetz der Thermodynamik, Materialstabilität, Objektivität und Polykonvexität erzwingt. Im Gegensatz zu früheren Arbeiten, die diese Einschränkungen teilweise oder über weiche Strafterme auferlegen, integriert dieses Framework sie in die Architektur und die Energie-Definition.
2. Objektive polykonvexe Erweiterung: Der Artikel stellt eine Methode vor, um sowohl Polykonvexität als auch Objektivität zu erreichen, indem auf symmetrischen Tensoren trainiert und die Definition über die polare Zerlegung erweitert wird. Dies vermeidet die mit invariantenbasierten Modellen oder weichen Zwangsbedingungen in der Verlustfunktion verbundenen schlechten Vorhersagegenauigkeiten.
3. Identifizierbarkeit interner Variablen: Die Arbeit liefert einen theoretischen Beweis, dass aus Daten gelernte interne Variablen bis auf eine lineare Transformation eindeutig sind. Dies adressiert das oft in datengetriebener Stoffmodellierung berichtete Problem der Nicht-Eindeutigkeit und charakterisiert die Äquivalenzklasse von Ersatzmodellen.
4. Surrogatmodellierung hoher Genauigkeit: Das Framework wurde erfolgreich eingesetzt, um die Taylor-gemittelte Antwort einer polykristallinen Magnesium-Mikrostruktur zu erlernen und erreicht hohe Genauigkeit, ohne die physikalische Konsistenz zu beeinträchtigen.

Ergebnisse

• Vorhersagegenauigkeit: Das trainierte polykonvexe neuronale Netzwerk erzielt einen relativen Fehler von 2 % bei der Vorhersage der Taylor-gemittelten Spannungsantwort des Magnesium-Polykristalls. Die Verwendung einer Energiedekomposition (hydrostatisch vs. deviatorisch) erwies sich als entscheidend und reduzierte den Fehler von 15 % (ohne Dekomposition) auf 2 %.
• Dimensionalität interner Variablen: Eine empirische Analyse zeigt, dass sechs interne Variablen für dieses spezifische Homogenisierungsproblem optimal sind und dabei Genauigkeit und Rechenkosten ausbalancieren.
• Materialstabilität: Visualisierungen bestätigen, dass die Wachstumsfunktionen physikalische Grenzen erfolgreich erzwingen. Ohne diese Funktionen sagt das Modell eine endliche Spannung bei Volumen Null (det $F=0$) voraus, was physikalisch instabil ist. Mit den Funktionen nähert sich die Spannung korrekt negativer Unendlichkeit an, wenn das Material komprimiert wird.
• Verifikation der Identifizierbarkeit: Die Autoren trainierten zwei unabhängige NN-Modelle mit unterschiedlichen Initialisierungen auf demselben Datensatz. Die resultierenden Trajektorien der internen Variablen erwiesen sich als lineare Transformationen voneinander, mit einem Medianfehler der linearen Anpassung von etwa 3 %, was die theoretische Eindeutigkeitsbehauptung empirisch validiert.

Bedeutung und Umfang
Der Artikel behauptet, dass dieses Framework einen robusten, interpretierbaren und mathematisch fundierten Ansatz zum Erlernen von Stoffgesetzen für history-abhängige Materialien bietet. Durch die Sicherstellung der Konsistenz mit der Thermodynamik und der Existenztheorie sind die resultierenden Modelle geeignet, als Ersatzmodelle in Multiskalen-Finite-Elemente-Lösern (z. B. Abaqus) eingesetzt zu werden und potenziell teure FE2-Berechnungen zu ersetzen. Die Autoren weisen darauf hin, dass die Methode zwar an viskoelastischem/viskoplastischem Magnesium demonstriert wurde, das Framework jedoch allgemein genug ist, um jede history-abhängige Antwort zu erfassen. Die Arbeit schließt mit der Identifizierung zukünftiger Richtungen, wie dem Erlernen heterogener, mikrostrukturabhängiger Potentiale und räumlich nicht-lokaler Antworten, schlägt jedoch keine spezifischen experimentellen Validierungen über die vorgestellte numerische Homogenisierungs-Studie hinaus vor.