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

Ce papier présente un cadre de réseaux de neurones causal et énergétique pour l'apprentissage de lois constitutives dépendant de l'histoire, qui garantit la cohérence thermodynamique, la stabilité et l'existence de solutions tout en démontrant que les variables internes apprises sont uniques à une transformation linéaire près, atteignant une erreur relative de 2 % dans la prédiction de la réponse d'une maille élémentaire de magnésium polycristallin.

L'essentiel

La Vue d'Ensemble : Apprendre à un Ordinateur à « Sentir » les Matériaux

Imaginez que vous essayez de prédire comment un morceau de métal va se plier, s'étirer ou s'écraser lorsque vous exercez une pression dessus. En ingénierie, nous utilisons généralement des formules mathématiques (appelées lois constitutives) pour décrire ce comportement.

Cependant, les métaux sont capricieux. Ils ne réagissent pas seulement à la poussée que vous leur donnez à l'instant présent ; ils se souviennent de chaque poussée et de chaque traction qu'ils ont jamais subis. C'est ce qu'on appelle la dépendance à l'histoire. Si vous étirez un morceau de métal, le relâchez, puis l'étirez à nouveau, il se comporte différemment la deuxième fois à cause de sa « mémoire ».

Traditionnellement, les scientifiques doivent deviner les bonnes formules mathématiques pour décrire cette mémoire. Mais pour des matériaux complexes (comme le magnésium dans cette étude), deviner la bonne formule est incroyablement difficile.

La Solution : Les auteurs ont construit un type spécial d'Intelligence Artificielle (IA) — plus précisément un Réseau de Neurones — capable d'apprendre ces règles complexes de « mémoire » directement à partir des données, sans qu'un humain ait besoin de deviner la formule au préalable.

Le Problème : L'IA Peut Être « Non Physique »

Si vous laissez une IA standard apprendre simplement à partir de données, elle pourrait devenir très bonne pour prédire le passé, mais elle pourrait inventer une physique folle pour le futur. Par exemple, elle pourrait prédire que si vous écrasez un bloc de métal assez fort, il disparaît en un seul point sans aucune résistance. Dans le monde réel, c'est impossible ; la matière résiste à être écrasée jusqu'à l'annihilation.

L'IA standard ne comprend pas non plus naturellement la Deuxième Loi de la Thermodynamique (qui dit essentiellement que l'énergie est perdue sous forme de chaleur lorsque les choses frottent les unes contre les autres) ni la stabilité (le matériau ne devrait pas soudainement exploser ou se comporter de manière erratique).

La Solution : Le Cadre d'IA « Physique-En-Amont »

Les auteurs ont créé un nouveau cadre qui force l'IA à obéir aux lois de la physique par conception, et non pas seulement par chance. Pensez-y comme à la construction d'un moteur de voiture où les pistons sont physiquement verrouillés aux roues ; la voiture ne peut pas reculer si les roues avancent.

Voici comment ils ont procédé :

1. Les « Variables Internes » (La Mémoire Cachée) :
   Puisque l'IA ne peut pas voir les changements microscopiques à l'intérieur du métal (comme de minuscules défauts qui se déplacent), les auteurs ont introduit des « cases mémoire » invisibles appelées variables internes.

   • Analogie : Imaginez une éponge. Lorsque vous la serrez, l'eau se déplace à l'intérieur. Vous ne pouvez pas voir l'eau bouger, mais la forme de l'éponge change à cause de cela. Les « variables internes » sont la façon dont l'IA suit où se trouve cette « eau » (les changements microscopiques), même si elle est cachée.
   • La Découverte : Le document prouve que, bien que l'IA puisse inventer différentes « cases mémoire » selon la façon dont elle commence à apprendre, ces cases sont toujours simplement une transformation linéaire les unes des autres.
   • Traduction simple : Si une IA décide d'appeler sa mémoire « Case A » et une autre l'appelle « Case B », elles décrivent en réalité exactement la même chose, simplement en utilisant un système de coordonnées différent (comme mesurer la distance en pouces contre en centimètres). Elles sont mathématiquement équivalentes.

2. Les « Potentiels Énergétiques » (Les Règles du Jeu) :
   L'IA apprend deux choses principales :

   • Énergie Stockée : La quantité d'énergie conservée lorsque vous étirez le matériau (comme un ressort).
   • Dissipation : La quantité d'énergie perdue sous forme de chaleur (comme le frottement).
     Les auteurs ont construit l'IA de manière à ce qu'elle doive suivre la règle selon laquelle la perte d'énergie est toujours positive (vous ne pouvez pas récupérer de l'énergie gratuitement) et que le matériau devient infiniment dur à comprimer à mesure qu'il rétrécit (il ne peut pas être écrasé en un point).

3. Les « Fonctions de Croissance » (Le Filet de Sécurité) :
   Pour s'assurer que l'IA ne prédit pas des scénarios impossibles (comme une compression infinie), ils ont ajouté des « garde-fous » mathématiques spéciaux.

   • Analogie : Imaginez un personnage de jeu vidéo qui peut courir vite, mais s'il essaie de marcher hors du bord de la carte, un mur invisible géant le repousse. Ces garde-fous assurent que si vous essayez d'étirer ou de comprimer le matériau au-delà des données que l'IA a vues, il se comporte toujours de manière réaliste (devenant de plus en plus difficile à déformer) plutôt que de briser les lois de la physique.

L'Expérience : Magnésium Polycristallin

L'équipe a testé ce cadre sur le magnésium, un métal utilisé dans les voitures et les avions. Le magnésium est composé de nombreux petits cristaux (grains) collés ensemble, ce qui rend son comportement très complexe.

• Le Montage : Ils ont généré des données en simulant le comportement microscopique d'un petit cube de ce magnésium.
• L'Entraînement : Ils ont fourni ces données à leur IA « consciente de la physique ».
• Le Résultat : L'IA a appris à prédire comment l'ensemble du bloc de magnésium se comporterait avec seulement 2 % d'erreur. C'est incroyablement précis.
• La Vitesse : Parce que l'IA est un programme informatique rapide, elle peut prédire ce comportement beaucoup plus vite que les simulations microscopiques lentes et complexes sur lesquelles elle a été entraînée.

Points Clés à Retenir

• Précision : L'IA a appris la « mémoire » complexe du métal avec 2 % d'erreur.
• Conformité Physique : L'IA respecte les lois de la thermodynamique et la stabilité des matériaux. Elle ne prédira pas qu'un métal peut être écrasé en un point.
• Mémoire Unique : Même si l'IA crée des variables « cachées » pour suivre la mémoire, le document prouve que ces variables sont uniques à une simple transformation mathématique près (comme changer d'unités). Cela signifie que l'IA n'invente pas de nombres au hasard ; elle trouve une structure réelle et cohérente.
• Objectivité : Le modèle fonctionne correctement même si vous regardez le matériau sous un angle différent (rotation), ce qui est une exigence cruciale pour l'ingénierie réelle.

Résumé

Les auteurs ont construit une IA intelligente et avisée en physique capable d'apprendre comment les métaux complexes se comportent au fil du temps. C'est comme enseigner à un élève non seulement les réponses aux problèmes de mathématiques, mais aussi les règles fondamentales de l'arithmétique afin qu'il puisse résoudre n'importe quel problème correctement, même ceux qu'il n'a jamais vus auparavant. Le résultat est un modèle rapide, précis et physiquement réaliste pour prédire comment des matériaux comme le magnésium réagiront sous contrainte.

Résumé technique

Résumé technique : Un cadre de réseaux de neurones pour apprendre des lois constitutives dépendantes de l'histoire et l'identifiabilité des variables internes

Énoncé du problème
L'identification des lois constitutives est cruciale pour la modélisation du comportement des matériaux, en particulier lors du pontage entre la physique microscopique et les applications d'ingénierie macroscopique. Les approches traditionnelles reposent souvent sur l'ajustement de données expérimentales à des modèles mathématiques ou sur l'utilisation de modèles de substitution pour réduire le coût computationnel des simulations multi-échelles (par exemple, FE2). Cependant, les modèles pilotés par les données standards, en particulier ceux basés sur des réseaux de neurones récurrents (RNN) qui cartographient directement l'historique de déformation vers la contrainte, manquent souvent d'une adhésion rigoureuse aux principes physiques fondamentaux. Plus précisément, ils peuvent échouer à satisfaire :

1. La deuxième loi de la thermodynamique (dissipation).
2. La stabilité des matériaux sous des déformations extrêmes.
3. Les conditions mathématiques (telles que la polyconvexité) requises pour garantir l'existence de solutions aux équations d'équilibre de la quantité de mouvement non linéaires régissant le système.

De plus, dans les matériaux inélastiques, les variables internes sont souvent postulées a priori ou apprises à partir de données sans une caractérisation théorique claire de leur unicité. Dans les contextes pilotés par les données, il n'est pas clair si les variables internes apprises sont uniques ou s'il ne s'agit que de représentations différentes d'un même état physique.

Méthodologie
Les auteurs proposent un cadre de réseau de neurones (RN) causal et énergétique, fondé sur la théorie des variables internes, pour apprendre des lois constitutives dépendantes de l'histoire. L'approche reformule la relation contrainte-déformation non markovienne en un système markovien en introduisant un ensemble de variables internes $\xi(t)$.

• Formulation énergétique : La contrainte $P$ et l'évolution des variables internes sont dérivées d'un potentiel de densité d'énergie $W(F, \xi)$ et d'un potentiel de dissipation $\bar{D}(\dot{\xi})$. Le cadre impose la deuxième loi de la thermodynamique en garantissant que $\bar{D}$ est convexe avec un minimum à zéro.
• Dynamiques explicites via la transformée de Legendre : Pour éviter de résoudre des équations différentielles ordinaires (EDO) implicites durant l'entraînement, les auteurs utilisent la transformée de Legendre du potentiel de dissipation. Cela convertit l'équation d'évolution implicite en une forme explicite, permettant au réseau d'apprendre directement le potentiel de dissipation dual $D$.
• Architecture du réseau de neurones :
  • Réseaux de neurones convexes en entrée (ICNN) : Les potentiels $W$ et $D$ sont paramétrés à l'aide d'architectures ICNN peu profondes. Les poids de la dernière couche sont contraints à être positifs pour assurer la convexité des potentiels, ce qui est nécessaire pour la cohérence thermodynamique et l'existence des solutions.
  • Polyconvexité et objectivité : Le potentiel d'énergie $W$ est décomposé en composantes hydrostatique et déviatorique. La partie hydrostatique est modélisée pour assurer la polyconvexité (une condition pour les théorèmes d'existence en élasticité non linéaire). Pour satisfaire l'objectivité (indifférence au cadre de référence), le modèle est entraîné sur des gradients de déformation symétriques (espace du tenseur de Cauchy-Green droit) et étendu aux gradients non symétriques via la décomposition polaire, plutôt que de s'appuyer sur des contraintes douces dans la fonction de perte.
  • Stabilité des matériaux : Pour prévenir un comportement non physique sous des déformations extrêmes (par exemple, comprimer un matériau jusqu'à un point avec une énergie finie), des fonctions de croissance spécifiques ($G_1, G_2$) sont ajoutées aux potentiels. Ces fonctions restent presque constantes dans le support des données mais imposent une croissance polynomiale en dehors de celui-ci, garantissant que la contrainte diverge de manière appropriée lorsque le déterminant du gradient de déformation tend vers zéro ou que la déformation devient grande.
• Stratégie d'entraînement : Le cadre est entraîné sur des données générées à partir d'un modèle de plasticité cristalline à fine échelle d'une cellule unitaire de magnésium polycristallin. L'entraînement consiste à minimiser l'erreur entre les composantes de contrainte prédites et réelles, avec des termes de perte séparés pour les parties hydrostatique et déviatorique afin de gérer la disparité de leurs grandeurs.

Contributions clés

1. Cadre physiquement cohérent : Les auteurs introduisent un cadre de RN qui impose simultanément la deuxième loi de la thermodynamique, la stabilité des matériaux, l'objectivité et la polyconvexité. Contrairement aux travaux antérieurs qui imposent ces contraintes partiellement ou via des pénalités douces, ce cadre les intègre dans l'architecture et la définition de l'énergie.
2. Extension polyconvexe objective : L'article présente une méthode pour atteindre à la fois la polyconvexité et l'objectivité en entraînant sur des tenseurs symétriques et en étendant la définition via la décomposition polaire, évitant ainsi la faible précision prédictive associée aux modèles basés sur les invariants ou aux termes de perte à contraintes douces.
3. Identifiabilité des variables internes : L'ouvrage fournit une preuve théorique que les variables internes apprises à partir de données sont uniques à une transformation linéaire près. Cela aborde le problème de non-unicité souvent rapporté dans la modélisation constitutive pilotée par les données, en caractérisant la classe d'équivalence des modèles de substitution.
4. Modélisation de substitution haute fidélité : Le cadre est déployé avec succès pour apprendre la réponse moyennée par Taylor d'une microstructure de magnésium polycristallin, atteignant une haute précision sans compromettre la cohérence physique.

Résultats

• Précision de la prédiction : Le réseau de neurones polyconvexe entraîné atteint une erreur relative de 2 % dans la prédiction de la réponse contrainte moyennée par Taylor du polycristal de magnésium. L'utilisation de la décomposition énergétique (hydrostatique vs déviatorique) s'est avérée cruciale, réduisant l'erreur de 15 % (sans décomposition) à 2 %.
• Dimensionnalité des variables internes : L'analyse empirique indique que six variables internes sont optimales pour ce problème d'homogénéisation spécifique, équilibrant précision et coût computationnel.
• Stabilité des matériaux : Les visualisations confirment que les fonctions de croissance imposent avec succès les limites physiques. Sans ces fonctions, le modèle prédit une contrainte finie à volume nul (det $F=0$), ce qui est physiquement instable. Avec ces fonctions, la contrainte tend correctement vers moins l'infini lorsque le matériau est comprimé.
• Vérification de l'identifiabilité : Les auteurs ont entraîné deux modèles de RN indépendants avec des initialisations différentes sur le même jeu de données. Il a été constaté que les trajectoires de variables internes résultantes étaient des transformations linéaires les unes des autres, avec une erreur d'ajustement linéaire médiane d'environ 3 %, validant empiriquement l'affirmation théorique d'unicité.

Signification et portée
L'article affirme que ce cadre offre une approche robuste, interprétable et mathématiquement fondée pour apprendre des lois constitutives pour des matériaux dépendants de l'histoire. En assurant la cohérence avec la thermodynamique et la théorie de l'existence, les modèles résultants sont adaptés à une utilisation comme substituts dans des solveurs éléments finis multi-échelles (par exemple, Abaqus), remplaçant potentiellement les calculs FE2 coûteux. Les auteurs notent que si la méthode a été démontrée sur du magnésium viscoélastique/viscoplastique, le cadre est suffisamment général pour capturer toute réponse dépendante de l'histoire. L'ouvrage conclut en identifiant des orientations futures, telles que l'apprentissage de potentiels hétérogènes dépendants de la microstructure et de réponses spatialement non locales, mais ne propose pas de validations expérimentales spécifiques au-delà de l'étude de cas d'homogénéisation numérique présentée.