🔬 condensed matter

Direct inference of viscoelastic memory from chirp rheometry via physics-informed Gaussian processes

Este artículo introduce un marco de procesos gaussianos informados por la física que infiere directamente los núcleos de memoria viscoelástica a partir de datos brutos de reometría de chirp en el dominio del tiempo, evitando la reducción tradicional en el dominio de la frecuencia para permitir la predicción rápida, sin necesidad de reentrenamiento, de las respuestas de los materiales ante historias de deformación no vistas y la resolución de la evolución del material dentro de un mismo experimento.

Autores originales: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Publicado 2026-08-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los materiales blandos, desde los geles de nuestros alimentos hasta los tejidos de nuestros cuerpos, poseen un tipo único de memoria. A diferencia de un simple resorte que vuelve a su posición inmediatamente al ser liberado, estas sustancias recuerdan cómo fueron deformadas en el pasado. El estrés que sienten en cualquier momento dado no está determinado únicamente por su forma actual, sino por toda la historia de cómo fueron estiradas o comprimidas anteriormente. Este comportamiento hereditario es la clave para predecir cómo tales materiales se comportarán en condiciones del mundo real, pero medirlo ha sido tradicionalmente un proceso lento y tedioso. Los científicos suelen sondear estos materiales sacudiéndolos a una frecuencia específica, esperando a que la señal se estabilice y luego pasando a la siguiente frecuencia. Para mapear todo el comportamiento de un material, este proceso puede tomar horas, un marco de tiempo que suele ser demasiado largo para materiales que están cambiando o envejeciendo durante la medición. Además, la forma estándar de analizar los datos implica comprimir miles de mediciones brutas en unos pocos números de resumen, un paso que inevitablemente descarta una vasta cantidad de información y puede introducir errores.

Un equipo de investigadores de la Universidad de Aalto en Finlandia ha desarrollado una nueva forma de evitar estas limitaciones, permitiéndoles leer la memoria de un material directamente de un único experimento rápido. En lugar de sacudir el material a una frecuencia a la vez, utilizan una señal de "chirp" (barrido), una deformación que recorre continuamente un amplio rango de frecuencias en solo unos segundos. Este método genera un flujo denso de datos, capturando miles de pares de estrés y deformación en el tiempo que antes se utilizaba para reunir un puñado de puntos. Los investigadores aplicaron entonces un marco estadístico sofisticado, conocido como proceso gaussiano informado por la física, a estos datos brutos. En lugar de convertir primero los datos en resúmenes de frecuencia, este enfoque utiliza las leyes fundamentales de la física para interpretar el registro en el dominio del tiempo directamente. Trata la memoria del material como un conjunto de bloques de construcción, probando diferentes formas matemáticas para ver cuál explica mejor el estrés observado. Al hacer esto, el método identifica las reglas de memoria específicas del material y cuantifica la incertidumbre en esas reglas sin necesidad de descartar nunca los datos brutos o asumir un modelo específico de antemano.

Los investigadores probaron este enfoque en varios materiales blandos diferentes, cada uno presentando un desafío único. En un experimento, analizaron una solución de micelas de tipo gusano, un tipo de materia blanda que típicamente se comporta como un fluido simple con un único tiempo de relajación. El método estándar requeriría un barrido de frecuencia prolongado para confirmarlo, pero el nuevo marco analizó un chirp de solo dos segundos. Los datos fueron suficientes para precisar el tiempo de relajación único del material y confirmar que se comporta casi exactamente como un fluido clásico, con una desviación mínima y medible que el método pudo detectar con alta precisión. Los investigadores también demostraron que el modelo aprendido de este breve estallido de datos no estaba simplemente memorizando la señal específica utilizada. Cuando aplicaron el modelo entrenado a un chirp completamente diferente, más largo, con una fase inicial y un rango de frecuencia distintos, este predijo con precisión la respuesta del material, incluyendo el comportamiento en frecuencias que el experimento corto original ni siquiera tocó. Esto demostó que el sistema había aprendido la verdadera ley física que gobierna al material, no solo un patrón específico de la señal de prueba.

El poder del método se hizo aún más evidente al tratar con materiales ruidosos o complejos. En un estudio de un hidrogel de nanofibras de celulosa, los datos fueron significamente más ruidosos que en el experimento de las micelas, una situación en la que el análisis tradicional suele fallar. El nuevo marco extrajo con éxito un patrón de memoria claro y libre de escala a partir del ruido, coincidiendo con los resultados de una medición convencional que tomó sesenta veces más tiempo. En otra prueba que involucró una resina fotopolimerizable, el material exhibió dos comportamientos distintos actuando simultáneamente: una red elástica permanente y una fracción fluida y disipativa. El método fue capaz de separar estas dos contribuciones dentro de un solo trazo temporal, cuantificando cuánto estrés provenía de cada mecanismo y proporcionando una imagen clara de la estructura interna del material. Finalmente, los investigadores utilizaron la técnica para observar un material cambiar en tiempo real. Al analizar un acrilato de curado por UV, detectaron una violación de la invariancia temporal del material, observando cómo la viscosidad aumentaba constantemente mientras el material se endurecía durante el único experimento de chirp. Esto permitió rastrear el inicio de la mutación química directamente en el dominio del tiempo, sin necesidad de un modelo predefinido de cómo debería comportarse el proceso de curado.

Al tratar el registro bruto en el dominio del tiempo como la fuente primaria de verdad, este enfoque transforma la forma en que los científicos comprenden la materia blanda. Reemplaza el proceso lento y paso a paso de la estimación espectral y el ajuste de modelos con un único problema de inferencia unificado. El resultado es un método que es más rápido, más robusto contra el ruido y capaz de revelar propiedades de los materiales que anteriormente estaban ocultas o requerían mediciones prohibitivamente largas para ser encontradas. Ofrece una forma de ver la memoria de los materiales blandos con una claridad que antes era inalcanzable, convirtiendo segundos de datos experimentales en un mapa detallado de cómo un material recuerda su pasado.

Resumen Técnico: Inferencia Directa de la Memoria Viscoelástica a partir de Reometría de Chirp mediante Procesos Gaussianos Informados por la Física

Planteamiento del Problema
Los materiales blandos exhiben un comportamiento viscoelástico donde el esfuerzo está determinado por una integral ponderada sobre todo el historial de deformación, en lugar de la deformación instantánea. Identificar esta "memoria" es crítico para predecir el comportamiento del material bajo cargas del mundo real. El enfoque reológico estándar, el Esfuerzo Oscilatorio de Pequeña Amplitud (SAOS), es reproducible pero sufre de dos limitaciones prácticas: (1) los barridos de frecuencia completos son intensivos en tiempo (minutos a horas), lo que los hace inadecuados para sistemas evolutivos como materiales en gelificación o envejecimiento; y (2) la inferencia constitutiva ocurre solo después de la estimación espectral (transformada de Fourier), lo que significa que el ruido y los artefactos de ventana finita introducidos durante la reducción de la señal se propagan irreversiblemente hacia el modelo ajustado.

La reometría de chirp ofrece una solución al comprimir horas de medición en segundos, generando datos densos en el dominio del tiempo ( $10^3$ – $10^4$ pares esfuerzo-deformación). Sin embargo, el pipeline de análisis estándar para datos de chirp imita al SAOS: la serie temporal densa se segmenta en ventanas y se somete a una transformada de Fourier para estimar los módulos de almacenamiento ( $G'$ ) y pérdida ( $G''$ ) antes de ajustar un modelo constitutivo. Este proceso descarta la mayor parte de la información medida, creando un "cuello de botella inferencial" donde los sesgos en la estimación espectral limitan la precisión de la ley constitutiva recuperada. Además, los enfoques de aprendizaje automático existentes en reología a menudo carecen de generalizabilidad; los modelos entrenados en formas de onda específicas frecuentemente fallan al predecir respuestas a diferentes protocolos de deformación porque aprenden mapeos específicos de la forma de onda en lugar de propiedades intrínsecas del material.

Metodología
Los autores proponen un marco de Procesos Gaussianos (GP) informados por la física que realiza una inferencia constitutiva probabilística directa en el dominio del tiempo, evitando la estimación espectral intermedia.

Construcción de Características Informadas por la Física: El marco integra el principio de superposición de Boltzmann directamente en el espacio de entrada del GP. En lugar de usar coordenadas temporales puras, las características de entrada se construyen como convoluciones causales del historial de la tasa de deformación ( $\dot{\gamma}$ ) medida con núcleos de memoria candidatos ( $\phi_i$ ).
$\sigma(t) = \sum_{i=1}^n c_i x_i(t; \kappa)$
donde $x_i(t) = \int_0^t \phi_i(t-t'; \kappa) \dot{\gamma}(t') dt'$ . Aquí, $\kappa$ representa parámetros de forma (por ejemplo, tiempos de relajación, exponentes fraccionarios) y $c_i$ son prefactores escalares (por ejemplo, módulos, viscosidades).
Regresión de Procesos Gaussianos: Se asigna un GP sobre el mapa de estas características de ingeniería hacia el esfuerzo medido.
- Núcleo Lineal: Para materiales en el régimen viscoelástico lineal, se utiliza un núcleo lineal. Esto hace que el GP sea equivalente a una regresión lineal bayesiana en el espacio de características, donde las sensibilidades posteriores ( $\partial \bar{\sigma} / \partial x_i$ ) proporcionan directamente los prefactores constitutivos ( $c_i$ ).
- Núcleo RBF: Para casos donde no se puede asumir linealidad o invariancia de traslación temporal (por ejemplo, materiales mutantes), un núcleo de Función de Base Radial (RBF) permite un mapeo de esfuerzo-característica no lineal. La sensibilidad del tiempo de resolución de la predicción del GP respecto a las características sirve como diagnóstico de la evolución del material.
Selección de Modelo y Entrenamiento: El marco entrena conjuntamente sobre todos los parámetros (parámetros de forma $\kappa$ y los hiperparámetros del GP) mediante la maximización de la Cota Inferior de la Evidencia (ELBO). La selección de modelos entre leyes constitutivas candidatas (por ejemplo, Maxwell, Maxwell Fraccional, Scott Blair, Kelvin-Voigt Fraccional) se realiza utilizando los criterios de información de Akaike (AIC) y Bayesiano (BIC), calculados directamente a partir de los datos brutos en el dominio del tiempo.

Resultados Clave
El marco fue validado a través de cinco escenarios experimentales distintos:

Memoria Maxwelliana en Micelas de Gusano: Aplicado a un chirp de 2 segundos a una solución de micelas de gusano, el método seleccionó un modelo de Líquido de Maxwell Fraccional (FML) sobre el Maxwell clásico y otras variantes fraccionales. Recuperó un tiempo de relajación ( $\tau_c \approx 1.49$ s) y un exponente fraccionario ( $\beta \approx 0.014$ ) que sitúa al material cerca de su límite de Maxwell. Crucialmente, el modelo infirió una frecuencia característica ( $\omega_c \approx 0.67$ rad/s) que se encontraba fuera de la banda de frecuencia excitada del entrenamiento del chirp, demostrando la capacidad de extrapolar más allá de la ventana de entrenamiento.
Independencia de Protocolo: Un GP entrenado con un chirp de 2 segundos fue probado contra un segundo chirp de 14 segundos con un ancho de banda, duración e fase inicial diferentes. El GP entrenado predijo la respuesta del esfuerzo con alta precisión (RMSE comparable al ajuste de entrenamiento) y resolvió correctamente la frecuencia de cruce terminal, confirmando que el método aprende una ley constitutiva en lugar de un mapeo específico de la forma de onda.
Memoria Libre de Escala en Geles Críticos: Sobre un chirp ruidoso de 7 segundos de un hidrogel de nanofibras de celulosa, el método recuperó un núcleo de memoria de tipo Scott Blair (gel crítico). Logró un coeficiente de determinación ( $R^2 = 0.863$ ) e identificó el exponente fraccionario ( $\alpha \approx 0.063$ ) y la cuasi-propiedad ( $V$ ) consistentes con un barrido de frecuencia discreto de 451 segundos, a pesar de que los datos del chirp eran dos órdenes de magnitud más cortos y significativamente más ruidosos.
Distribución de Esfuerzo en Resinas Fotopolimerizables: Para una resina fotopolimerizable modelada por un modelo de Kelvin-Voigt Fraccional (FKV), el marco logró descomponer la respuesta de esfuerzo en dos características de memoria en paralelo (una red cuasi-elástica y una rama disipativa de ley de potencia). Cuantificó la incertidumbre en esta descomposición y resolvió una relajación débil de ley de potencia en la rama de la red que el análisis de Fourier estándar no pudo capturar debido al ruido.
Detección de Mutación de Material: Aplicado a un sistema de acrilato de curado UV, el marco utilizó un núcleo RBF para detectar violaciones de la invariancia de traslación temporal. La sensibilidad de resolución temporal de la predicción del GP respecto a la característica de memoria (interpretada como viscosidad dinámica) mostró un incremento monotónico del +8.1% durante un solo chirp, capturando directamente el inicio de la mutación del material (reticulación) sin un modelo cinético prescrito. Una medición de control en el mismo material en una etapa posterior de curado no mostró tal deriva.

Significado y Reivindicaciones
El artículo afirma resolver las limitaciones del análisis de chirp estándar al reemplazar la secuencia de estimación espectral seguida del ajuste constitutivo por un único problema de inferencia probabilística informada por la física planteado directamente sobre los datos brutos en el dominio del tiempo.

Inferencia Directa: El método infiere el núcleo de memoria (una propiedad constitutiva) en lugar de la forma de onda específica, permitiendo predecir respuestas ante historias de deformación no observadas sin necesidad de reentrenamiento.
Robustez al Ruido y Corta Duración: Al utilizar la densidad completa de los datos resueltos en el tiempo, el marco recupera parámetros constitutivos a partir de registros cortos o ruidosos donde los métodos convencionales basados en Fourier fallan o producen estimaciones dispersas y con artefactos.
Cuantificación de la Incertidumbre: La formulación probabilística proporciona incertidumbre cuantificada para todos los parámetros inferidos (módulos, exponentes, tiempos de relajación) y permite la descomposición de la varianza entre las características constitutivas y el ruido de observación.
Diagnósticos Libres de Modelo: La sensibilidad resuelta en el tiempo sirve como una herramienta de diagnóstico para detectar no estacionariedad (evolución del material) y no linealidades, ofreciendo una huella digital independiente del protocolo de los cambios estructurales.

Los autores concluyen que este enfoque establece la construcción de características informadas por la física como una ruta para el aprendizaje automático generalizable en reología, capaz de manejar la selección de modelos, la estimación de parámetros con conciencia de la incertidumbre y el testeo de hipótesis basado en evidencia directamente desde el resultado de un único experimento corto.

Más como este