Physics-Informed Kolmogorov-Arnold Networks for multi-material elasticity problems in electronic packaging

Resumen Técnico: Redes de Kolmogorov-Arnold Informadas por la Física para Problemas de Elasticidad de Materiales Múltiples en el Empaquetado Electrónico

Planteamiento del Problema
Las estructuras de empaquetado electrónico consisten en materiales heterogéneos con propiedades mecánicas distintas, lo que crea sistemas complejos de múltiples materiales caracterizados por interfaces nítidas y discontinuidades en las propiedades de los materiales. Los métodos numéricos tradicionales, como el Método de los Elementos Finitos (FEM), enfrentan desafíos relacionados con la distorsión de la malla, la resolución de campos locales y la eficiencia computacional al modelar estas geometrías complejas. Si bien las Redes Neuronales Informadas por la Física (PINNs) ofrecen una alternativa libre de malla, las implementaciones estándar utilizando Perceptrones Multicapa (MLPs) presentan dificultades en problemas de múltiples materiales. Los enfoques convencionales de PINN suelen requerir la descomposición del dominio (particionando el dominio en subdominios para cada material) y la introducción de restricciones de continuidad de interfaz mediante términos de penalización. Esto requiere un ajuste exhaustivo de hiperparámetros y a menudo conduce a problemas de convergencia, particularmente para geometrías de interfaz complejas. Además, los MLPs pueden sufrir de sesgo espectral, lo que limita su capacidad para capturar características de alta frecuencia y transiciones bruscas inherentes a las soluciones de múltiples materiales.

Metodología
Este artículo propone un marco de Redes de Kolmogorov-Arnold Informadas por la Física (PIKAN) integrado con el Método de la Energía Profunda (DEM) para resolver problemas de elasticidad de múltiples materiales sin descomposición de dominio.

• Método de la Energía Profunda (DEM): En lugar de resolver la forma fuerte de las ecuaciones diferenciales parciales (PDE) que gobiernan el sistema, el método minimiza el funcional de energía potencial total. La función de pérdida se construye como la diferencia entre la energía de deformación interna y la energía potencial externa. Este enfoque variacional reduce el orden de las derivadas requeridas y típicamente ofrece mayor precisión y eficiencia para problemas de elasticidad.
• Campos de Desplazamiento Admisibles: Para satisfacer estrictamente las condiciones de contorno esenciales sin términos de penalización, el campo de desplazamiento se construye como $u_{pred}(x) = P(x) + D(x) \odot F(x; \theta)$, donde $P(x)$ satisface los valores de contorno, $D(x)$ es una función de distancia al contorno y $F(x; \theta)$ es la salida de la red neuronal. Esto asegura que las condiciones de contorno se cumplan por construcción.
• Redes de Kolmogorov-Arnold (KANs): La innovación central reemplaza los MLPs tradicionales con KANs. A diferencia de los MLPs, que utilizan funciones de activación fijas en los nodos y pesos aprendibles en las aristas, las KANs colocan funciones de activación univariantes aprendibles (parametrizadas como B-splines) en las aristas.
  • Manejo de Discontinuidades: Las funciones de base B-spline poseen soporte local y características por partes. Esto permite que una sola KAN aproxime naturalmente las discontinuidades en los gradientes de esfuerzo y deformación a través de las interfaces de los materiales sin requerir redes separadas para diferentes materiales o restricciones explícitas de continuidad de interfaz.
  • Arquitectura: La red emplea coeficientes de B-spline entrenables, factores de escala y pesos lineales opcionales. Las coordenadas de entrada se normalizan para ajustarse al dominio de definición de la B-spline, y las salidas de las capas intermedias se restringen mediante funciones $\tanh$ para mantener la estabilidad.
• Integración Numérica: El estudio evalúa varios esquemas de integración numérica (Triangular, Simpson, Trapezoidal, Monte Carlo y Delaunay) para aproximar los integrales de energía en la función de pérdida. Se demuestra que la elección del esquema de integración impacta significamente en la precisión de la solución, particularmente en regiones con altos gradientes de esfuerzo.

Contribuciones Clave

1. Marco PIKAN para Múltiples Materiales: El desarrollo de una metodología PIKAN que integra KANs en el Método de la Energía Profunda, aprovechando la naturaleza por partes de las B-splines para acomodar naturalmente las discontinuidades de las propiedades de los materiales.
2. Eliminación de la Descomposición de Dominio: La demostración de que una sola KAN puede aproximar los campos de desplazamiento a través de todo un dominio de múltiples materiales, eliminando la necesidad de particionar el dominio y los términos de penalización de continuidad de interfaz y el ajuste de hiperparámetros asociados.
3. Validación Exhaustiva: Experimentos numéricos extensos en vigas en voladizo con interfaces rectas, onduladas y escalonadas, una placa heterogénea con un agujero central, y estructuras de empaquetado electrónico (sustratos DBC y estructuras TGV-Cu).
4. Análisis Sistemático: Una investigación detallada de la sensibilidad de los esquemas de integración numérica y los hiperparámetros, proporcionando detalles de implementación y código fuente para la reproducibilidad.

Resultados

• Precisión y Robustidad: PIKAN demostró un excelente acuerdo con las soluciones de referencia de FEM en todas las configuraciones de múltiples materiales probadas. Capturó con éxito campos de desplazamiento complejos y concentraciones de esfuerzo cerca de las interfaces, incluso con contrastes extremos en los módulos elásticos (por ejemplo, abarcando dos órdenes de magnitud).
• Comparación con la Descomposición de Dominio: Al compararse con la Red Neuronal de Energía Conservativa (CENN), que utiliza descomposición de dominio con MLPs separados, PIKAN mostró una precisión superior. CENN exhibió discontinuidades de desplazamiento notables y oscilaciones de esfuerzo en las interfaces, particularmente en geometrías complejas (interfaces onduladas y escalonadas), debido a los desafíos de imponer la continuidad mediante términos de penalización.
• Sensibilidad del Esquema de Integración: La integración triangular generalmente proporcionó la convergencia más rápida y la mayor precisión. La integración de Delaunay mostró una convergencia más débil y errores más altos, particularmente para interfaces curvas, resaltando el papel crítico del esquema de integración en las PINNs variacionales.
• Eficiencia de Parámetros: PIKAN logró una alta precisión con menos parámetros entrenables en comparación con el enfoque CENN basado en MLP. Por ejemplo, en los ejemplos de vigas en voladizo, PIKÁN utilizó aproximadamente 1,050 parámetros frente a los más de 3,500 de CENN.
• Aplicaciones de Empaquetado Electrónico: El método se aplicó con éxito para analizar el alabeo en sustratos DBC y la distribución de esfuerzos en estructuras de Vía a través de Vidrio (TGV), incluyendo casos de rugosidad de interfaz y configuraciones de doble vía, confirmando su utilidad práctica.

Significancia y Reivindicaciones
El artículo afirma que PIKAN ofrece un paradigma de solución más conciso y robusto para los problemas de mecánica de sólidos de múltiples materiales en comparación con los métodos tradicionales de descomposición de dominio. Al utilizar las capacidades de aproximación por partes de las KANs dentro de un marco basado en la energía, el método simplifica el marco computacional al eliminar la necesidad de un manejo complejo de las restricciones de interfaz y el ajuste de hiperparámetros. Los autores postulan que este enfoque es particularmente adecuado para el análisis de empaquetado electrónico, donde las interfaces de múltiples materiales son ubicuas.

El estudio reconoce que, si bien la convergencia teórica de las KANs es aún una frontera de investigación activa, el rendimiento empírico en estos problemas de elasticidad es prometedor. Los autores señalan que el trabajo actual se limita a ejemplos en 2D y que extender el método a estructuras 3D presenta desafíos relacionados con la escalabilidad computacional y las limitaciones teóricas de las KANs estándar para representar leyes físicas 3D (transformaciones E(3)). Se sugiere como trabajo futuro explorar arquitecturas híbridas MLP-KAN y pruebas matemáticas rigurosas de convergencia. El artículo concluye que PIKAN representa un paso significativo hacia la aplicación del aprendizaje profundo informado por la física en problemas de materiales heterogéneos, ofreciendo una vía para un análisis de confiabilidad más eficiente y preciso en el empaquetado electrónico.