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

Este artículo presenta un marco de redes neuronales causal y energético para aprender leyes constitutivas dependientes de la historia que garantiza la consistencia termodinámica, la estabilidad y la existencia de soluciones, al tiempo que demuestra que las variables internas aprendidas son únicas salvo una transformación lineal, logrando un error relativo del 2% en la predicción de la respuesta de una celda unitaria de magnesio policristalino.

Lo esencial

El Panorama General: Enseñar a una Computadora a "Sentir" los Materiales

Imagina que estás tratando de predecir cómo se doblará, estirará o aplastará un trozo de metal cuando lo empujes. En ingeniería, usualmente usamos fórmulas matemáticas (llamadas leyes constitutivas) para describir este comportamiento.

Sin embargo, los metales son complicados. No solo reaccionan al empuje que les estás dando en este momento; recuerdan cada empujón y tirón que han experimentado alguna vez. Esto se llama dependencia de la historia. Si estiras un trozo de metal, lo sueltas y lo estiras de nuevo, se comporta de manera diferente la segunda vez debido a su "memoria".

Tradicionalmente, los científicos tienen que adivinar las fórmulas matemáticas correctas para describir esta memoria. Pero para materiales complejos (como el metal de magnesio en este estudio), adivinar la fórmula correcta es increíblemente difícil.

La Solución: Los autores construyeron un tipo especial de Inteligencia Artificial (IA) —específicamente una Red Neuronal— que puede aprender estas reglas complejas de "memoria" directamente de los datos, sin necesidad de que un humano adivine la fórmula primero.

El Problema: La IA Puede Ser "No Física"

Si simplemente dejas que una IA estándar aprenda de los datos, podría volverse muy buena prediciendo el pasado, pero podría inventar físicas locas para el futuro. Por ejemplo, podría predecir que si aprietas un bloque de metal con suficiente fuerza, desaparece en un solo punto sin ninguna resistencia. En el mundo real, eso es imposible; la materia resiste ser aplastada hasta la nada.

La IA estándar tampoco entiende naturalmente la Segunda Ley de la Termodinámica (que básicamente dice que la energía se pierde como calor cuando las cosas se frotan entre sí) ni la estabilidad (el material no debería explotar repentinamente ni comportarse de manera errática).

La Solución: El Marco de IA "Primero la Física"

Los autores crearon un nuevo marco que obliga a la IA a obedecer las leyes de la física por diseño, no solo por suerte. Piensa en ello como construir un motor de coche donde los pistones están físicamente bloqueados a las ruedas; el coche no puede conducir hacia atrás si las ruedas se mueven hacia adelante.

Así es como lo hicieron:

1. Las "Variables Internas" (La Memoria Oculta):
   Dado que la IA no puede ver los cambios microscópicos dentro del metal (como defectos diminutos moviéndose), los autores introdujeron "ranuras de memoria" invisibles llamadas variables internas.

   • Analogía: Imagina una esponja. Cuando la aprietas, el agua se mueve en su interior. No puedes ver el agua moviéndose, pero la forma de la esponja cambia debido a ello. Las "variables internas" son la forma en que la IA rastrea dónde está esa "agua" (los cambios microscópicos), incluso aunque esté oculta.
   • El Descubrimiento: El artículo demuestra que, aunque la IA podría inventar diferentes "ranuras de memoria" dependiendo de cómo comience a aprender, esas ranuras son siempre solo una transformación lineal entre sí.
   • Traducción simple: Si una IA decide llamar a su memoria "Ranura A" y otra la llama "Ranura B", en realidad están describiendo exactamente lo mismo, solo usando un sistema de coordenadas diferente (como medir la distancia en pulgadas versus centímetros). Son matemáticamente equivalentes.

2. Los "Potenciales de Energía" (Las Reglas del Juego):
   La IA aprende dos cosas principales:

   • Energía Almacenada: Cuánta energía se guarda cuando estiras el material (como un resorte).
   • Disipación: Cuánta energía se pierde como calor (como la fricción).
     Los autores construyeron la IA de modo que debe seguir la regla de que la pérdida de energía es siempre positiva (no puedes obtener energía gratis) y que el material se vuelve infinitamente difícil de comprimir a medida que se hace más pequeño (no puede ser aplastado hasta un punto).

3. Las "Funciones de Crecimiento" (La Red de Seguridad):
   Para asegurar que la IA no prediga escenarios imposibles (como una compresión infinita), añadieron "guardarríles" matemáticos especiales.

   • Analogía: Imagina un personaje de videojuego que puede correr rápido, pero si intenta caminar fuera del borde del mapa, un muro invisible gigante lo empuja de vuelta. Estos guardarríles aseguran que si intentas estirar o apretar el material más allá de los datos que la IA ha visto, aún se comporte de manera realista (volviéndose más y más difícil de deformar) en lugar de romper las leyes de la física.

El Experimento: Magnesio Policristalino

El equipo probó este marco en magnesio, un metal utilizado en automóviles y aviones. El magnesio está hecho de muchos cristales diminutos (granos) pegados entre sí, lo que hace que su comportamiento sea muy complejo.

• La Configuración: Generaron datos simulando el comportamiento microscópico de un pequeño cubo de este magnesio.
• El Entrenamiento: Alimentaron estos datos a su IA "consciente de la física".
• El Resultado: La IA aprendió a predecir cómo se comportaría todo el bloque de magnesio con solo un 2% de error. Esto es increíblemente preciso.
• La Velocidad: Debido a que la IA es un programa informático rápido, puede predecir este comportamiento mucho más rápido que las simulaciones microscópicas lentas y complejas en las que fue entrenada.

Conclusiones Clave

• Precisión: La IA aprendió la compleja "memoria" del metal con un 2% de error.
• Cumplimiento Físico: La IA respeta las leyes de la termodinámica y la estabilidad del material. No predecirá que un metal puede ser aplastado hasta convertirse en un punto.
• Memoria Única: Aunque la IA crea variables "ocultas" para rastrear la memoria, el artículo demuestra que estas variables son únicas hasta un simple cambio matemático (como cambiar de unidades). Esto significa que la IA no está simplemente alucinando números aleatorios; está encontrando una estructura real y consistente.
• Objetividad: El modelo funciona correctamente incluso si miras el material desde un ángulo diferente (rotación), lo cual es un requisito crucial para la ingeniería del mundo real.

Resumen

Los autores construyeron una IA inteligente y conocedora de la física que puede aprender cómo se comportan los metales complejos con el tiempo. Es como enseñar a un estudiante no solo las respuestas a los problemas matemáticos, sino las reglas fundamentales de la aritmética para que pueda resolver cualquier problema correctamente, incluso aquellos que nunca ha visto antes. El resultado es un modelo rápido, preciso y físicamente realista para predecir cómo reaccionarán materiales como el magnesio bajo tensión.

Resumen técnico

Resumen Técnico: Un Marco de Redes Neuronales para Aprender Leyes Constitutivas Dependientes de la Historia e Identificabilidad de Variables Internas

Enunciado del Problema
La identificación de leyes constitutivas es crítica para modelar el comportamiento de los materiales, especialmente al cerrar la brecha entre la física microscópica y las aplicaciones de ingeniería macroscópica. Los enfoques tradicionales a menudo dependen del ajuste de datos experimentales a modelos matemáticos o del uso de modelos sustitutos para reducir el costo computacional de las simulaciones multiescala (por ejemplo, FE2). Sin embargo, los modelos basados en datos estándar, particularmente aquellos basados en redes neuronales recurrentes (RNN) que mapean directamente la historia de la deformación hacia el esfuerzo, a menudo carecen de una adherencia rigurosa a los principios físicos fundamentales. Específicamente, pueden fallar en satisfacer:

1. La segunda ley de la termodinámica (disipación).
2. La estabilidad del material bajo deformaciones extremas.
3. Las condiciones matemáticas (tales como la policonvexidad) requeridas para garantizar la existencia de soluciones para las ecuaciones de balance de momento no lineales gobernantes.

Además, en materiales inelásticos, las variables internas a menudo se postulan a priori o se aprenden de los datos sin una caracterización teórica clara de su unicidad. En entornos basados en datos, no está claro si las variables internas aprendidas son únicas o meramente diferentes representaciones del mismo estado físico.

Metodología
Los autores proponen un marco causal de red neuronal (RN) energético basado en la teoría de variables internas para aprender leyes constitutivas dependientes de la historia. El enfoque reformula la relación esfuerzo-deformación no markoviana en un sistema markoviano mediante la introducción de un conjunto de variables internas $\xi(t)$.

• Formulación Energética: El esfuerzo $P$ y la evolución de las variables internas se derivan de un potencial de densidad de energía $W(F, \xi)$ y un potencial de disipación $\bar{D}(\dot{\xi})$. El marco hace cumplir la segunda ley de la termodinámica asegurando que $\bar{D}$ sea convexa con un mínimo en cero.
• Dinámicas Explícitas mediante Transformada de Legendre: Para evitar resolver ecuaciones diferenciales ordinarias (EDO) implícitas durante el entrenamiento, los autores utilizan la transformada de Legendre del potencial de disipación. Esto convierte la ecuación de evolución implícita en una forma explícita, permitiendo que la red aprenda directamente el potencial de disipación dual $D$.
• Arquitectura de Red Neuronal:
  • Redes Neuronales Convexas de Entrada (ICNN): Los potenciales $W$ y $D$ se parametrizan utilizando arquitecturas ICNN superficiales. Los pesos en la capa final se restringen a ser positivos para asegurar la convexidad de los potenciales, lo cual es necesario para la consistencia termodinámica y la existencia de soluciones.
  • Policonvexidad y Objetividad: El potencial de energía $W$ se descompone en componentes hidrostáticos y desviadores. La parte hidrostática se modela para asegurar la policonvexidad (una condición para los teoremas de existencia en elasticidad no lineal). Para satisfacer la objetividad (indiferencia de marco), el modelo se entrena sobre gradientes de deformación simétricos (espacio del tensor de Cauchy-Green derecho) y se extiende a gradientes no simétricos mediante descomposición polar, en lugar de depender de restricciones suaves en la función de pérdida.
  • Estabilidad del Material: Para prevenir comportamientos no físicos bajo deformaciones extremas (por ejemplo, comprimir un material hasta un punto con energía finita), se añaden funciones de crecimiento específicas ($G_1, G_2$) a los potenciales. Estas funciones permanecen casi constantes dentro del soporte de los datos pero imponen un crecimiento polinómico fuera de él, asegurando que el esfuerzo diverja apropiadamente a medida que el determinante del gradiente de deformación se aproxima a cero o la deformación se vuelve grande.
• Estrategia de Entrenamiento: El marco se entrena con datos generados a partir de un modelo de plasticidad cristalina a escala fina de una celda unitaria de magnesio policristalino. El entrenamiento implica minimizar el error entre los componentes de esfuerzo predichos y reales, con términos de pérdida separados para las partes hidrostática y desviadora para manejar la disparidad en sus magnitudes.

Contribuciones Clave

1. Marco Físicamente Consistente: Los autores introducen un marco de RN que hace cumplir simultáneamente la segunda ley de la termodinámica, la estabilidad del material, la objetividad y la policonvexidad. A diferencia de trabajos anteriores que imponen estas restricciones parcialmente o mediante penalizaciones suaves, este marco las integra en la arquitectura y la definición de energía.
2. Extensión Objetiva Policonvexa: El artículo presenta un método para lograr tanto la policonvexidad como la objetividad entrenando sobre tensores simétricos y extendiendo la definición mediante descomposición polar, evitando la pobre precisión predictiva asociada con modelos basados en invariantes o términos de pérdida de restricción suave.
3. Identificabilidad de Variables Internas: El trabajo proporciona una prueba teórica de que las variables internas aprendidas de los datos son únicas hasta una transformación lineal. Esto aborda el problema de la no unicidad a menudo reportado en el modelado constitutivo basado en datos, caracterizando la clase de equivalencia de modelos sustitutos.
4. Modelado Sustituto de Alta Fidelidad: El marco se despliega con éxito para aprender la respuesta promediada por Taylor de una microestructura de magnesio policristalino, logrando una alta precisión sin comprometer la consistencia física.

Resultados

• Precisión de Predicción: La red neuronal policonvexa entrenada logra un error relativo del 2% al predecir la respuesta de esfuerzo promediada por Taylor del policristal de magnesio. Se encontró que el uso de la descomposición de energía (hidrostática vs. desviadora) fue crucial, reduciendo el error del 15% (sin descomposición) al 2%.
• Dimensionalidad de la Variable Interna: El análisis empírico indica que seis variables internas son óptimas para este problema específico de homogeneización, equilibrando la precisión y el costo computacional.
• Estabilidad del Material: Las visualizaciones confirman que las funciones de crecimiento hacen cumplir con éxito los límites físicos. Sin estas funciones, el modelo predice un esfuerzo finito a volumen cero (det $F=0$), lo cual es físicamente inestable. Con las funciones, el esfuerzo se aproxima correctamente a menos infinito a medida que el material se comprime.
• Verificación de Identificabilidad: Los autores entrenaron dos modelos de RN independientes con inicializaciones diferentes sobre el mismo conjunto de datos. Se encontró que las trayectorias de las variables internas resultantes eran transformaciones lineales entre sí, con un error de ajuste lineal mediano de aproximadamente el 3%, validando empíricamente la afirmación teórica de unicidad.

Significado y Alcance
El artículo afirma que este marco ofrece un enfoque robusto, interpretable y matemáticamente sólido para aprender leyes constitutivas para materiales dependientes de la historia. Al asegurar la consistencia con la termodinámica y la teoría de existencia, los modelos resultantes son adecuados para su uso como sustitutos en solucionadores de elementos finitos multiescala (por ejemplo, Abaqus), reemplazando potencialmente los costosos cálculos FE2. Los autores señalan que, aunque el método se demostró en magnesio viscoelástico/viscoplástico, el marco es lo suficientemente general para capturar cualquier respuesta dependiente de la historia. El trabajo concluye identificando direcciones futuras, como el aprendizaje de potenciales heterogéneos dependientes de la microestructura y respuestas espacialmente no locales, pero no propone validaciones experimentales específicas más allá del estudio de caso de homogeneización numérica presentado.