Physics-Informed Kolmogorov-Arnold Networks for multi-material elasticity problems in electronic packaging

Sintesi Tecnica: Reti di Kolmogorov-Arnold Informate dalla Fisica per Problemi di Elasticità Multi-Materiale nel Packaging Elettronico

Definizione del Problema
Le strutture di packaging elettronico sono costituite da materiali eterogenei con proprietà meccaniche distinte, che creano complessi sistemi multi-materiale caratterizzati da interfacce nette e discontinuità delle proprietà dei materiali. I metodi numerici tradizionali, come il Metodo degli Elementi Finiti (FEM), affrontano sfide relative alla distorsione della mesh, alla risoluzione dei campi locali e all'efficienza computazionale quando modellano queste geometrie complesse. Sebbene le Physics-Informed Neural Networks (PINN) offrano un'alternativa mesh-free, le implementazioni standard che utilizzano Multi-Layer Perceptrons (MLP) faticano con i problemi multi-materiale. Gli approcci PINN convenzionali richiedono tipicamente la decomposizione del dominio (partizionamento del dominio in sottodomini per ogni materiale) e l'introduzione di vincoli di continuità all'interfaccia tramite termini di penalità. Ciò richiede un esteso tuning degli iperparametri e porta spesso a problemi di convergenza, particolarmente per geometrie di interfaccia complesse. Inoltre, gli MLP possono soffrire di bias spettrale, limitando la loro capacità di catturare caratteristiche ad alta frequenza e transizioni nette inerenti alle soluzioni multi-materiale.

Metodologia
Questo articolo propone un framework di Rete di Kolmogorov-Arnold Informata dalla Fisica (PIKAN) integrato con il Metodo dell'Energia Profonda (DEM) per risolvere problemi di elasticità multi-materiale senza decomposizione del dominio.

• Metodo dell'Energia Profonda (DEM): Invece di risolvere la forma forte delle equazioni differenziali alle derivate parziali (PDE) governanti, il metodo minimizza il funzionale dell'energia potenziale totale. La funzione di perdita è costruita come la differenza tra l'energia di deformazione interna e l'energia potenziale esterna. Questo approccio variazionale riduce l'ordine delle derivate richieste e offre tipicamente maggiore accuratezza ed efficienza per i problemi di elasticità.
• Campi di Spostamento Ammissibili: Per soddisfare rigorosamente i vincoli di spostamento (essential boundary conditions) senza termini di penalità, il campo di spostamento è costruito come $u_{pred}(x) = P(x) + D(x) \odot F(x; \theta)$, dove $P(x)$ soddisfa i valori al contorno, $D(x)$ è una funzione di distanza dal bordo e $F(x; \theta)$ è l'output della rete neurale. Ciò garantisce che i vincoli al contorno siano soddisfatti per costruzione.
• Reti di Kolmogorov-Arnold (KAN): L'innovazione centrale sostituisce i tradizionali MLP con le KAN. A differenza degli MLP, che utilizzano funzioni di attivazione fisse ai nodi e pesi apprendibili sugli archi, le KAN posizionano funzioni di attivazione univariata apprendibili (parametrizzate come B-spline) sugli archi.
  • Gestione delle Discontinuità: Le funzioni di base B-spline possiedono un supporto locale e caratteristiche piecewise. Ciò consente a una singola KAN di approssimare naturalmente le discontinuità nei gradienti di stress e deformazione attraverso le interfacce dei materiali senza richiedere reti separate per i diversi materiali o espliciti vincoli di continuità all'interfaccia.
  • Architettura: La rete impiega coefficienti B-spline addestrabili, fattori di scala e pesi lineari opzionali. Le coordinate di input sono normalizzate per adattarsi al dominio di definizione della B-spline, e gli output degli strati intermedi sono vincolati tramite funzioni $\tanh$ per mantenere la stabilità.
• Integrazione Numerica: Lo studio valuta vari schemi di integrazione numerica (Triangolare, Simpson, Trapezoidale, Monte Carlo e Delaunay) per approssimare gli integrali di energia nella funzione di perdita. Si dimostra che la scelta dello schema di integrazione impatta significativamente l'accuratezza della soluzione, particolarmente nelle regioni con elevati gradienti di stress.

Contributi Chiave

1. Framework PIKAN per Multi-Materiali: Lo sviluppo di una metodologia PIKAN che integra le KAN nel Metodo dell'Energia Profonda, sfruttando la natura intrinseca piecewise delle B-spline per accomodare naturalmente le discontinuità delle proprietà dei materiali.
2. Eliminazione della Decomposizione del Dominio: La dimostrazione che una singola KAN può approssimare i campi di spostamento attraverso l'intero dominio multi-materiale, eliminando la necessità di partizionamento del sottodominio e i relativi termini di penalità per la continuità all'interfaccia e il relativo tuning degli iperparametri.
3. Validazione Esaustiva: Esperimenti numerici estesi su travi a sbalzo con interfacce dritte, ondulate e a gradino, una piastra eterogenea con un foro centrale e strutture di packaging elettronico (substrati DBC e strutture TGV-Cu).
4. Analisi Sistematica: Un'indagine dettagliata sulla sensibilità degli schemi di integrazione numerica e degli iperparametri, fornendo dettagli di implementazione e codice sorgente per la riproducibilità.

Risultati

• Accuratezza e Robustezza: PIKAN ha dimostrato un eccellente accordo con le soluzioni di riferimento FEM in tutte le configurazioni multi-materiale testate. Ha catturato con successo complessi campi di spostamento e concentrazioni di stress vicino alle interfacce, anche con contrasti estremi nei moduli elastici (ad esempio, coprendo due ordini di grandezza).
• Confronto con la Decomposizione del Dominio: Confrontata con la Conservative Energy Neural Network (CENN), che utilizza la decomposizione del dominio con MLP separati, PIKAN ha mostrato un'accuratezza superiore. CENN ha esibito discontinuità di spostamento e oscillazioni di stress visibili alle interfacce, particolarmente in geometrie complesse (interfacce ondulate e a gradino), a causa delle difficoltà nel forzare la continuità tramite termini di penalità.
• Sensibilità dello Schema di Integrazione: L'integrazione Triangolare ha generalmente fornito la convergenza più rapida e l'accuratezza più elevata. L'integrazione Delaunay ha mostrato una convergenza più debole e errori più alti, particolarmente per le interfacce curve, evidenziando il ruolo critico dello schema di integrazione nelle PINN variazionali.
• Efficienza dei Parametri: PIKAN ha raggiunto un'alta accuratezza con meno parametri addestrabili rispetto all'approccio CENN basato su MLP. Ad esempio, negli esempi di trave a sbalzo, PIKAN ha utilizzato circa 1.050 parametri contro i più di 3.500 di CENN.
• Applicazioni nel Packaging Elettronico: Il metodo è stato applicato con successo per analizzare il warping nei substrati DBC e la distribuzione dello stress nelle strutture Through Glass Via (TGV), inclusi casi con rugosità d'interfaccia e configurazioni a doppio via, confermando la sua utilità pratica.

Significato e Rivendicazioni
Il paper sostiene che PIKAN offra un paradigma di soluzione più conciso e robusto per i problemi di meccanica dei solidi multi-materiale rispetto ai metodi tradizionali di decomposizione del dominio. Utilizzando le capacità di approssimazione piecewise delle KAN all'interno di un framework basato sull'energia, il metodo semplifica il framework computazionale eliminando la necessità di gestire complessi vincoli di interfaccia e il tuning degli iperparametri. Gli autori pongono che questo approccio sia particolarmente adatto all'analisi del packaging elettronico, dove le interfacce multi-materiale sono onnipresenti.

Lo studio riconosce che la convergenza teorica delle KAN è ancora un campo di ricerca attivo, ma le prestazioni empiriche in questi problemi di elasticità sono promettenti. Gli autori notano che l'attuale lavoro è limitato a esempi 2D e che l'estensione del metodo a strutture 3D presenta sfide legate alla scalabilità computazionale e ai limiti teorici delle KAN standard nel rappresentare leggi fisiche 3D (trasformazioni E(3)). Il lavoro futuro suggerito esplora architetture ibride MLP-KAN e rigorose prove matematiche di convergenza. Il paper conclude che PIKAN rappresenta un passo avanti significativo nell'applicazione del deep learning informato dalla fisica ai problemi di materiali eterogenei, offrendo una via per un'analisi di affidabilità più efficiente e accurata nel packaging elettronico.