Engineering-Oriented Symbolic Regression: LLMs as Physics Agents for Discovery of Simulation-Ready Constitutive Laws

Questo lavoro presenta un framework di regressione simbolica orientato all'ingegneria che utilizza agenti basati su modelli linguistici di grandi dimensioni per scoprire leggi costitutive fisicamente coerenti e pronte per la simulazione, superando i limiti di stabilità numerica dei modelli tradizionali nella modellazione iperelastica dei materiali.

L'essenziale

Immagina di dover insegnare a un computer come si comporta la gomma quando la stiriamo, la schiacciamo o la torciamo. È un po' come cercare di scrivere la "ricetta" perfetta per un materiale, ma invece di ingredienti come farina e uova, usiamo la matematica.

Fino a poco tempo fa, c'erano due modi per fare questo, e nessuno dei due era perfetto:

1. Il metodo "Super-Scienziato" (Dati ad alta fedeltà): Usava esperimenti costosissimi e macchinari complessi per misurare ogni singolo punto del materiale. Era preciso, ma richiedeva laboratori da milioni di euro e i risultati erano spesso "scatole nere": funzionavano, ma nessuno capiva perché funzionavano.
2. Il metodo "Fai-da-te" (Adattamento tradizionale): Prendeva dei modelli matematici già pronti (come ricette vecchie di 50 anni) e li aggiustava finché si adattavano bene ai dati di trazione. Il problema? Spesso questi modelli funzionavano bene solo per la trazione, ma se provavi a usarli in una simulazione al computer per schiacciare il materiale, la simulazione si rompeva e falliva. Era come avere una ricetta che funziona per il forno, ma se la metti nel microonde esplode.

La Nuova Soluzione: L'Agente Fisico

Gli autori di questo articolo hanno creato un nuovo metodo chiamato EO-SR (Regressione Simbolica Orientata all'Ingegneria). Immagina di avere un assistente super-intelligente (un'intelligenza artificiale avanzata, o LLM) che non è solo un programmatore, ma un fisico esperto.

Ecco come funziona, usando una metafora culinaria:

1. Il Cuoco e il Libro di Ricette (L'Agente)

Invece di lasciare che l'IA provi milioni di combinazioni a caso (come un cuoco che prova a mescolare zucchero, sale e sabbia sperando di fare una torta), gli autori danno all'IA un "libro di regole fisiche".
L'IA agisce come un Agente Fisico. Prima ancora di iniziare a scrivere la ricetta, l'IA dice: "Aspetta! Una ricetta valida per la gomma deve rispettare certe leggi: non può creare energia dal nulla, e se la stiriamo troppo, deve diventare dura, non molle."

2. La Ricerca della Ricetta Perfetta (Regressione Simbolica)

L'IA inizia a cercare la formula matematica perfetta, ma non cerca a caso. Usa le regole del "fisico esperto" per scartare immediatamente tutte le ricette che violano le leggi della fisica.

• Senza l'IA: Si troverebbe una formula che sembra perfetta sui dati di prova, ma che in realtà è "fisicamente impossibile" (come una torta che diventa più leggera mentre la cuoci).
• Con l'IA: L'IA trova una formula che è sia precisa nei dati, sia matematicamente solida.

Cosa hanno scoperto?

Hanno applicato questo metodo alla gomma (materiali simili alla gomma). L'IA ha scoperto una nuova "ricetta" (una legge costitutiva) che è un ibrido intelligente:

• Prende la parte semplice e classica (come una base di torta base).
• Aggiunge una parte speciale che agisce come un freno di sicurezza: quando la gomma viene stirata quasi fino a rompersi, questa parte fa sì che la resistenza diventi infinita, impedendo alla simulazione di "impazzire".

Perché è importante? (Il Test del Disastro)

Per provare che la loro ricetta funzionava davvero, l'hanno messa alla prova in una simulazione al computer molto difficile: un pezzo di gomma con dei tagli ai lati, che viene stirato.

• I vecchi modelli (come l'Ogden): Quando il computer ha provato a schiacciare la gomma nei punti di compressione (dove la gomma si assottiglia), i vecchi modelli hanno fallito. La simulazione è crollata perché la formula matematica ha creato un "buco nero" numerico (un errore matematico).
• Il nuovo modello dell'IA: Ha superato il test senza problemi. È rimasto stabile, preciso e non si è rotto.

In sintesi

Questo articolo ci dice che l'Intelligenza Artificiale non deve solo "copiare" i dati, ma deve capire le regole del gioco.
Usando un'IA come "fisico esperto", gli ingegneri possono scoprire nuove leggi matematiche per i materiali che sono:

1. Precise (si adattano ai dati reali).
2. Sicure (non fanno esplodere le simulazioni al computer).
3. Interpretabili (sono formule chiare, non scatole nere incomprensibili).

È come passare dal cercare di indovinare la ricetta di un piatto assaggiando tutto a caso, all'avere un chef che conosce la chimica degli alimenti e ti garantisce che il piatto sarà buono e sicuro da mangiare, anche se lo cuoci in modo diverso dal solito.

Sommario tecnico

1. Il Problema: Il Divario tra Adattamento e Simulazione

La scoperta di leggi costitutive per materiali complessi (come i materiali iperelastici) affronta storicamente una dicotomia critica:

• Approcci Data-Driven ad Alta Fedeltà: Utilizzano dati sperimentali completi (es. Digital Image Correlation) e reti neurali. Sebbene precisi, richiedono setup sperimentali costosi e producono modelli "scatola nera" privi di interpretabilità fisica.
• Adattamento Ingegneristico Tradizionale: Si basa su modelli analitici predefiniti (es. Ogden, Yeoh, Mooney-Rivlin) calibrati su dati di trazione uniaxiale o biaxiale. Sebbene accessibili, questi modelli soffrono di un "divario fitting-simulazione": modelli ottimizzati per minimizzare l'errore di fitting (MSE) spesso violano vincoli termodinamici fondamentali (come la stabilità di Drucker) al di fuori del regime di calibrazione. Questo porta a instabilità numerica, non convessità e fallimenti di convergenza nelle simulazioni agli elementi finiti (FEM) complesse.

La Regressione Simbolica (SR) standard offre una via di mezzo cercando equazioni analitiche libere, ma tende a generare espressioni matematicamente valide ma fisicamente errate (es. violazioni dell'indifferenza al quadro o della stabilità termodinamica).

2. Metodologia: Framework EO-SR e Agenti Fisici

Gli autori propongono il framework Engineering-Oriented Symbolic Regression (EO-SR), che integra i Large Language Models (LLM) non come semplici generatori di testo, ma come "Agenti Fisici Informati" (Physics-Informed Agents).

Architettura Modulare

Il framework è composto da tre moduli accoppiati:

1. Data Parser: Standardizza i dati sperimentali grezzi in una rappresentazione tensoriale coerente.
2. Skill Injector (Il Cuore dell'Innovazione): Un agente LLM (specificamente Gemini 3-pro) traduce descrizioni fisiche ad alto livello (es. "Iperelasticità Isotropa") in vincoli matematici eseguibili, definiti come una tupla di competenze $S = (T, O, C)$:
   • $T$ (Trasformazione): Mappa gli input grezzi in uno spazio di caratteristiche fisicamente oggettivo (es. invarianti di Cauchy-Green).
   • $O$ (Operatori): Definisce un insieme di operatori matematici consentiti (es. esclude funzioni periodiche come seno/coseno per materiali iperelastici che devono mostrare incrudimento monotono).
   • $C$ (Vincoli): Genera vincoli di disuguaglianza basati su leggi di conservazione (es. stabilità di Drucker, convessità dell'energia).
3. Symbolic Evolution Engine: Un algoritmo genetico che esegue la ricerca simbolica, ottimizzando una funzione di perdita composita che bilancia l'accuratezza del fitting ($L_{fit}$), la complessità del modello e le penalità per la violazione dei vincoli fisici ($P(c, f)$).

Meccanismo di Vincolo

L'agente LLM genera vincoli di convessità (derivati dalla matrice Hessiana dell'energia di deformazione) che vengono integrati nella funzione di perdita tramite una funzione di penalità ReLU. Questo garantisce che la ricerca esplori solo lo spazio delle soluzioni fisicamente ammissibili.

3. Contributi Chiave

1. Architettura di Scoperta Basata su Competenze: Trasforma la SR da un semplice adattatore di curve matematiche a un motore di scoperta governato dalla fisica, utilizzando LLM per generare vincoli "zero-shot".
2. Colmatura del Divario Fitting-Simulazione: Dimostra che l'iniezione di vincoli termodinamici (stabilità di Drucker) permette di scoprire leggi costitutive che sono stabili in FEM, eliminando i rischi numerici associati ai modelli tradizionali.
3. Scoperta di Forme Ottimali: Identifica un modello ibrido innovativo che combina la linearità di Mooney-Rivlin con un termine razionale di "bloccaggio" (locking), superando gli standard industriali in termini di generalizzazione e robustezza numerica.

4. Risultati Sperimentali

Il framework è stato validato sulla modellazione iperelastica di materiali simili alla gomma utilizzando i dati standard Treloar.

• Scoperta del Modello: L'algoritmo ha identificato un modello ibrido (Eq16) con complessità moderata (16 nodi):
  $$W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$$

  • Il primo termine corrisponde al modello Mooney-Rivlin (comportamento lineare a piccole deformazioni).
  • Il secondo termine è una funzione razionale che introduce una singolarità fisica, rappresentando il limite di estensibilità finita delle catene polimeriche (effetto di "locking").

• Accuratezza e Generalizzazione:

  • Il modello ha mostrato un'eccellente corrispondenza con i dati di trazione uniaxiale e biaxiale (training).
  • Predizione Zero-Shot: Ha previsto con alta precisione il comportamento in taglio puro (non usato per la calibrazione), superando i modelli Yeoh e Ogden che tendono a sovrastimare o sottostimare la risposta in modalità di deformazione non viste.

• Consistenza Termodinamica e Stabilità:

  • Il modello scoperto è globalmente convesso, garantendo la stabilità della matrice di rigidezza.
  • Al contrario, soluzioni ad alta accuratezza ma non vincolate (es. "Sqrt-Eq") presentavano regioni di curvatura negativa, rendendole instabili.

• Validazione agli Elementi Finiti (FEM):

  • In una simulazione di trazione su un provino con intagli doppi (che genera compressione trasversale severa), il modello EO-SR ha convergito con successo.
  • Il modello industriale standard Ogden (N=3) ha fallito la convergenza a causa di una singolarità numerica: i suoi parametri, ottimizzati solo per la trazione, causavano un'esplosione esponenziale della rigidezza sotto compressione trasversale, rendendo la matrice Jacobiana mal condizionata.

5. Significato e Implicazioni

Questo lavoro stabilisce un nuovo paradigma per l'IA nella scienza ("AI for Science"):

• LLM come Guardiani della Coerenza Teorica: Dimostra che gli LLM possono tradurre principi fisici astratti in logica di ottimizzazione eseguibile, agendo come intermediari semantici tra la teoria e il calcolo numerico.
• Matematica "Pronta per la Simulazione": Sposta il focus dalla sola accuratezza dei dati alla robustezza numerica. Un modello costitutivo non è utile se non converge in un solver FEM complesso; l'EO-SR garantisce questa proprietà intrinseca.
• Scalabilità: L'architettura modulare "Skill Injector" è generalizzabile ad altri domini (es. plasticità, tessuti anisotropi), permettendo di scoprire leggi costitutive per sistemi complessi mantenendo bassi i requisiti di dati sperimentali (usando test standard invece di mappature complete del campo).

In sintesi, il paper presenta un metodo robusto per automatizzare la scoperta di leggi costitutive che sono non solo accurate nei dati, ma anche fisicamente valide e numericamente stabili per applicazioni ingegneristiche reali.