Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

Resumen Técnico: Algoritmo de Ponderación de Masa para PINNs Basados en Fourier en Mecánica de Contacto Adhesivo

Planteamiento del Problema
Las redes neuronales informadas por la física (PINNs) aplicadas a la mecánica de contacto elástico enfrentan un desafío fundamental conocido como desequilibrio de rigidez espectral. En problemas de semiespacio elástico, el núcleo elástico en el espacio de Fourier escala linealmente con el número de onda ($q$). En consecuencia, los modos de deformación de longitud de onda corta (alto-$q$) incurren en costos de energía elástica significativamente más altos que los modos de longitud de onda larga. Cuando se entrenan las PINNs estándar mediante descenso de gradiente, este desequilibrio provoca que los modos de alta frecuencia dominen las actualizaciones del gradiente, lo que lleva al estancamiento de la convergencia de los campos de deformación macroscópicos. Este problema se ve exacerbado en problemas de contacto adhesivo, donde las interacciones de corto alcance introducen contenido de alta frecuencia adicional. Las PINNs estándar de minimización de energía a menudo no logran converger a residuos de cero de máquina o producen campos de tensión oscilatorios y no físicos dominados por ruido de alta frecuencia.

Metodología
Los autores proponen un marco de trabajo de PINN basado en Fourier aumentado por una estrategia de precondicionamiento espectral llamada Ponderación de Masa (MW). La metodología involucra los siguientes componentes clave:

1. Formulación de Minimización de Energía: A diferencia de las PINNs tradicionales que equilibran los residuos de las EDP con penalizaciones de condiciones de contorno, este enfoque formula la tarea de aprendizaje como la minimización de una función de energía potencial escalar total ($\Pi$). La energía total comprende la energía de deformación elástica ($U_{el}$), el trabajo externo ($U_{ext}$) y la energía de interacción interfacial ($U_{int}$) modelada por un potencial de Morse.
2. Mapeo de Características de Fourier: Las coordenadas espaciales de entrada se codifican utilizando características de Fourier para permitir que la red resuelva gradientes de desplazamiento agudos cerca de los bordes de contacto.
3. Precondicionamiento Espectral (Ponderación de Masa): Antes de la retropropagación, el gradiente de la función de pérdida con respecto al campo de desplazamiento se transforma al espacio de Fourier. Luego, es reponderado por una función de ponderación de masa $w(q)$ y un filtro de paso bajo integrado $f(q)$:
   • Ponderación de Masa: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. Esta función amplifica los componentes de bajo número de onda (modos macroscópicos) mientras suprime las contribuciones de alto número de onda, reequilibrando efectivamente el flujo del gradiente.
   • Filtro de Paso Bajo: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. Este suprime el ruido sub-rejilla que no puede ser resuelto por la discretización.
4. Protocolo de Entrenamiento: El precondicionador se activa después de una fase de "calentamiento" de 100 a 200 iteraciones utilizando gradientes planos. La red se optimiza utilizando el optimizador Adam. La tensión de contacto se recupera mediante la transformada inversa de Fourier de la relación espectral tensión-desplazamiento, evitando la diferenciación numérica sensible a la rejilla.

Contribuciones Clave

• Identificación de la Rigidez Espectral: El artículo atribuye explícitamente el fallo de convergencia de las PINNs basadas en energía en la mecánica de contacto al desequilibrio de rigidez espectral inherente al operador elástico, en lugar de solo a dificultades generales de optimización.
• Precondicionador de Ponderación de Masa: La introducción de un precondicionador espectral específico que opera en el espacio de Fourier para reponderar los gradientes de desplazamiento. Esto permite que la red aprenda deformaciones macroscópicas sin verse abrumada por el ruido de alta frecuencia.
• Minimización Directa de la Energía: La formulación depende enteramente de la minimización de una función de energía escalar sin integración explícita de la función de Green ni reglas de cuadratura, y aun así logra una precisión comparable a los métodos que sí las utilizan.
• Extensión a Superficies Rugosas Adhesivas: El método se aplica con éxito tanto a contactos de Hertz suaves como a superficies rugosas fractales con interacciones adhesivas (potencial de Morse), cubriendo regímenes desde tensión hasta compresión.

Resultos
El método propuesto fue validado contra soluciones de Dinámica Molecular de Función de Green (GFMD), un referente de alta fidelidad para la mecánica de contacto.

• Velocidad de Convergencia: Para un problema de contacto de Hertz de referencia, la PINN ponderada por masa alcanzó un residuo de pérdida de cero de máquina dentro de 400 iteraciones de Adam. En contraste, el entrenamiento no condicionado (de referencia) se estancó en una pérdida tres órdenes de magnitud superior ($\sim 5 \times 10^{-4}$) y no pudo converger más.
• Precisión Física:
  • Superficies Suaves: Las predicciones de la PINN para el desplazamiento y la tensión de contacto fueron indistinguibles de las soluciones GFMD en los regímenes de tensión, carga cero y compresión.
  • Superficies Rugosas: Para superficies rugosas fractales (exponente de Hurst $H=0.5$), el método capturó con precisión la estructura de tensión multiescala, incluyendo parches de contacto dispersos a nivel de asperezas a bajas presiones y distribuciones de tensión continuas a altas presiones.
• Error Cuantitativo: El Error Cuadrático Medio Normalizado (NRMSE) para el desplazamiento y la tensión se mantuvo por debajo de $10^{-3}$ (típicamente de $10^{-4}$ a $10^{-5}$) en todos los casos de prueba, confirmando la consistencia cuantitativa con la referencia GFMD.
• Estabilidad: El monitoreo del modo de Fourier de mayor número de onda reveló que el entrenamiento no condicionado resultaba en oscilaciones persistentes de gran amplitud, mientras que el enfoque de ponderación de masa redujo rápidamente estos modos a cero, asegurando un perfil de tensión estable y libre de oscilaciones.

Significancia y Reivindicaciones
Los autores afirman que el precondicionamiento espectral no es meramente útil, sino necesario para la convergencia estable de las PINNs basadas en la energía en la mecánica de contacto. Sin él, la red no logra aprender la solución físicamente correcta debido al desequilibrio de gradientes. El algoritmo de Ponderación de Masa propuesto permite a la PINN:

1. Resolver problemas de contacto adhesivo en rejillas uniformes de espacio real sin la integración explícita de la función de Green.
2. Lograr residuos de cero de máquina y campos de tensión suaves y físicamente correctos en rejillas finas (hasta $N_x = 2048$).
3. Operar de manera robusta sin necesidad de un ajuste manual de los parámetros del precondicionador más allá de la configuración inicial.

El artículo concluye que, aunque actualmente está limitado a geometrías de contacto de línea unidimensional y potenciales de Morse, la formulación basada en Fourier y el precondicionador espectral son directamente generalizables a superficies rugosas de dos dimensiones y otros potenciales de interacción suaves, ofreciendo una alternativa escalable a los métodos tradicionales de elementos de contorno.