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

Este trabajo propone un marco de regresión simbólica orientado a la ingeniería que utiliza agentes de modelos de lenguaje para descubrir leyes constitutivas simulables y físicamente consistentes, superando las limitaciones de estabilidad numérica de los modelos tradicionales en la modelización de materiales hiperelásticos.

Lo esencial

Imagina que eres un arquitecto que diseña puentes. Para que un puente sea seguro, no basta con que se vea bien en los planos o que resista el viento un poco; tiene que seguir las leyes de la física (como la gravedad y la resistencia de los materiales) en todas las situaciones, incluso en las que nunca has probado antes.

Si un puente se derrumba porque el arquitecto usó una fórmula matemática que funcionaba bien en el papel, pero fallaba cuando llovía mucho, eso es un desastre.

El problema que resuelve este artículo:
En la ingeniería de materiales (como el caucho de los neumáticos o los tejidos del cuerpo), los científicos intentan encontrar fórmulas matemáticas que describan cómo se comportan estos materiales. Tradicionalmente, tenían dos opciones malas:

1. El método "Ciego": Usar mucha data y computadoras para adivinar una fórmula. Funciona bien para los datos que ya tienen, pero a menudo crea "monstruos matemáticos" que violan las leyes de la física. Si usas esa fórmula en una simulación real, el programa se rompe y el puente (o el material) se derrumba virtualmente.
2. El método "Tradicional": Usar fórmulas antiguas y simples. Son seguras, pero a veces son demasiado tontas y no capturan la complejidad de los materiales modernos.

La solución mágica: El "Detective Físico" (LLM)
Los autores de este paper crearon un nuevo sistema llamado EO-SR. Imagina que tienes un equipo de dos personas trabajando juntas:

1. El Explorador (Regresión Simbólica): Es un robot muy rápido que prueba millones de fórmulas matemáticas al azar para ver cuál se ajusta mejor a los datos de un experimento. Es como un niño jugando con bloques de Lego: prueba todas las combinaciones posibles.
2. El Supervisor (La IA o LLM): Aquí es donde entra la innovación. En lugar de dejar que el robot haga lo que quiera, tienen un "Supervisor" experto en física (una Inteligencia Artificial entrenada como un físico).

¿Cómo funciona la analogía?
Imagina que el robot (Explorador) está construyendo una torre de bloques.

• Sin el Supervisor, el robot podría poner un bloque de chocolate encima de uno de hielo. La torre se ve bien al principio, pero cuando hace calor (una situación nueva), se derrumba.
• Con el Supervisor (LLM), cada vez que el robot quiere poner un bloque, el Supervisor le dice: "¡Espera! Eso viola la ley de la termodinámica. No puedes poner chocolate sobre hielo. Usa madera en su lugar".

El Supervisor no construye la torre, pero dicta las reglas de qué bloques están permitidos y cómo deben encajar para que la estructura sea indestructible.

El resultado del experimento:
Los científicos probaron esto con materiales de caucho (como los de los neumáticos).

• El viejo método (Ogden): Encontró una fórmula que se ajustaba perfectamente a los datos de estiramiento, pero cuando intentaron simular una compresión fuerte (como apretar el caucho desde los lados), la fórmula se volvía loca y el simulador se rompía. Era como un puente que aguantaba el tráfico, pero colapsaba si un camión pasaba por encima.
• El nuevo método (EO-SR): El "Supervisor" obligó al robot a buscar fórmulas que fueran matemáticamente estables. Encontraron una fórmula nueva y elegante (una mezcla de una línea recta y una función racional) que:
  1. Se ajustaba tan bien a los datos como las fórmulas complejas.
  2. Nunca se rompía en la simulación, incluso en situaciones extremas que no habían visto antes.
  3. Tenía un "freno físico": la fórmula decía naturalmente que el caucho no se puede estirar infinitamente (porque las cadenas de polímeros se rompen), algo que las fórmulas antiguas ignoraban.

En resumen:
Este paper nos dice que la Inteligencia Artificial no solo sirve para escribir código o hacer predicciones, sino que puede actuar como un guardián de las leyes de la física. Al usar a la IA como un "árbitro" que vigila que las fórmulas descubiertas sean honestas y seguras, podemos crear modelos matemáticos que no solo son precisos, sino que están listos para ser usados en el mundo real sin miedo a que fallen.

Es como pasar de tener un mapa dibujado a mano que a veces tiene errores, a tener un GPS que sabe las leyes del tráfico y te garantiza que llegarás a tu destino sin chocar.

Resumen técnico

Resumen Técnico: Regresión Simbólica Orientada a la Ingeniería (EO-SR)

1. El Problema: La Brecha entre Ajuste y Simulación

El descubrimiento de leyes constitutivas para materiales complejos enfrenta una dicotomía histórica que limita su aplicabilidad industrial:

• Enfoques de Alta Fidelidad (Data-Driven): Métodos como las Redes Neuronales Informadas por Física (PINNs) o el Método de Campos Virtuales (VFM) requieren datos experimentales de campo completo costosos y complejos. Además, a menudo producen modelos "caja negra" que carecen de interpretabilidad física.
• Ajuste de Ingeniería Tradicional: Se basa en calibrar plantillas analíticas predefinidas (ej. Ogden, Yeoh, Mooney-Rivlin) contra datos uniaxiales o biaxiales estándar. Aunque accesibles, estos modelos sufren de una brecha de validez: optimizados únicamente para minimizar el error de ajuste (MSE), a menudo violan restricciones físicas fundamentales (como la estabilidad de Drucker o la convexidad) fuera del rango de calibración. Esto provoca que modelos que ajustan perfectamente las curvas experimentales fallen catastróficamente (divergencia numérica) en simulaciones de elementos finitos (FEM) bajo condiciones de carga multiaxial complejas.

La Regresión Simbólica (SR) estándar intenta llenar este vacío buscando ecuaciones analíticas libres, pero tiende a generar expresiones matemáticamente válidas pero "físicamente inválidas" (ej. funciones no convexas o que violan la termodinámica).

2. Metodología: Marco EO-SR y Agentes de Física

Los autores proponen un marco de Regresión Simbólica Orientada a la Ingeniería (EO-SR) que integra Grandes Modelos de Lenguaje (LLMs) como "Agentes Informados por Física" para cerrar esta brecha.

• Arquitectura Modular: El sistema consta de tres módulos acoplados:

  1. Analizador de Datos: Estandariza entradas experimentales heterogéneas.
  2. Inyector de Habilidades (Skill Injector): El núcleo de la innovación. Un LLM actúa como un experto de dominio que, en un solo paso (zero-shot), traduce descripciones de alto nivel (ej. "Hiperelasticidad Isótropa") en una tupla de restricciones ejecutables $S = (T, O, C)$:
     • $T$: Transformaciones de coordenadas (ej. invariantes de Cauchy-Green).
     • $O$: Conjuntos de operadores permitidos (excluyendo funciones periódicas no físicas).
     • $C$: Restricciones de desigualdad derivadas de leyes de conservación (ej. convexidad, consistencia termodinámica).
  3. Motor de Evolución Simbólica: Ejecuta una búsqueda genética guiada por una función de pérdida compuesta que incluye el error de ajuste, la complejidad del modelo y penalizaciones por violación de restricciones físicas (implementadas mediante funciones ReLU para garantizar la convexidad).

• Selección Asistida por Agente: Tras la búsqueda, el LLM audita las soluciones candidatas no solo por su error numérico, sino por su estructura analítica, priorizando términos que garantizan la estabilidad matemática (ej. términos racionales con singularidades físicas) sobre polinomios de alto orden que pueden oscilar.

3. Contribuciones Clave

1. Arquitectura de Descubrimiento Basada en Habilidades: Transforma la SR de un buscador matemático ciego a un motor de descubrimiento gobernado por la física, utilizando LLMs para sintetizar automáticamente restricciones termodinámicas y de objetividad.
2. Cierre de la Brecha Ajuste-Simulación: Demuestra que inyectar restricciones de estabilidad de Drucker en la función de pérdida permite descubrir leyes constitutivas que son estables incondicionalmente en análisis de elementos finitos (FEM), eliminando riesgos numéricos.
3. Descubrimiento de Nuevas Formas Óptimas: Identifica automáticamente un modelo híbrido que combina la linealidad de Mooney-Rivlin con un término racional de bloqueo (locking term), superando a los estándares de la industria en generalización y robustez.

4. Resultados y Validación

El marco se validó utilizando el conjunto de datos estándar de Treloar para materiales tipo caucho (hiperelasticidad):

• Descubrimiento del Modelo (Eq16): El algoritmo encontró una ley constitutiva híbrida:
  $$W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$$
  • El primer término corresponde a Mooney-Rivlin (elasticidad lineal).
  • El segundo término es una función racional que introduce una singularidad física, representando el límite de extensibilidad finita de las cadenas poliméricas (bloqueo).
• Precisión y Generalización:
  • El modelo ajusta perfectamente los datos de tracción uniaxial y biaxial (datos de entrenamiento).
  • Logra una predicción "zero-shot" excepcionalmente precisa en corte puro (datos no usados en calibración), superando al modelo Yeoh (N=3) que falla en capturar la respuesta biaxial y sobreestima el estrés en corte.
• Consistencia Termodinámica y Estabilidad:
  • El modelo Eq16 garantiza una convexidad global (matriz Hessiana definida positiva) en todo el dominio, a diferencia de soluciones no restringidas que presentan regiones de curvatura negativa (inestabilidad).
  • Predice correctamente el límite de extensibilidad finita, evitando el estiramiento infinito no físico.
• Validación en Elementos Finitos (FEM):
  • En una simulación de una probeta con doble entalla bajo gran deformación, el modelo EO-SR convergió exitosamente.
  • En contraste, el modelo estándar Ogden (N=3) falló en converger debido a una singularidad numérica: bajo compresión transversal severa (inducida por la incompresibilidad), los exponentes negativos optimizados para tracción causaron que la rigidez tangente explotara, haciendo la matriz jacobiana mal condicionada.

5. Significado e Impacto

Este trabajo establece un nuevo paradigma para la "IA para la Ciencia" en mecánica computacional:

• De la Regresión a la Física: Demuestra que los LLMs pueden actuar como guardianes de la consistencia teórica, traduciendo principios abstractos (termodinámica, objetividad) en lógica de optimización ejecutable.
• Modelos Listos para Simulación: Prioriza la robustez numérica sobre el ajuste puramente estadístico, asegurando que las leyes descubiertas sean utilizables directamente en software industrial de ingeniería sin riesgo de divergencia.
• Escalabilidad: La arquitectura modular de "Habilidades" sugiere que el marco es generalizable a otros dominios complejos, como plasticidad, anisotropía en tejidos biológicos o dinámica de fluidos, reduciendo la barrera de entrada para el descubrimiento de leyes constitutivas sin necesidad de datos experimentales de ultra-alta fidelidad.

En resumen, el marco EO-SR logra automatizar el descubrimiento de leyes constitutivas que son simultáneamente precisas, interpretables y matemáticamente robustas, resolviendo el problema histórico de la inestabilidad numérica en modelos basados en datos.