Sintesi Tecnica: Previsione della Crescita delle Crepe Sensibile all'Incertezza tramite Modelli di Diffusione di Denoising Condizionale per la Frattura a Campo di Fase

1. Definizione del Problema

La previsione accurata dell'innesco, della propagazione e dell'evoluzione topologica complessa di crepe fragili utilizzando i metodi tradizionali ad alta fedeltà a elementi finiti (FEM) basati sul campo di fase rimane computazionalmente proibitiva. Sebbene i modelli a campo di fase riescano a regolarizzare le superfici di frattura nette senza un tracciamento esplicito, la natura non lineare e non convessa della minimizzazione dell'energia ad ogni incremento di carico richiede una discretizzazione spaziale fine e tempi di esecuzione significativi (ore per singola simulazione). Questo collo di bottiglia impedisce la valutazione strutturale in tempo reale, gli studi parametrici su larga scala e l'ottimizzazione del design con quantificazione dell'incertezza.

Inoltre, gli esistenti modelli surrogati di machine learning (ML) per la frattura si affidano ampiamente ad architetture deterministiche (ad esempio, U-Net, Fourier Neural Operators). Questi modelli producono un singolo output per un dato input, il che è fondamentalmente in contrasto con la fisica della frattura. In corrispondenza di punti di biforcazione strutturale, esistono molteplici percorsi di crepa meccanicamente ammissibili; i modelli deterministici inevitabilmente "sfumano" questi percorsi o ne selezionano uno casualmente, fallendo nel catturare l'intrinseca molteplicità delle soluzioni. Questo lavoro affronta la necessità di un modello surrogato che sia non solo computazionalmente efficiente, ma anche capace di campionamento stocastico per quantificare l'incertezza e catturare esiti di frattura multimodali.

2. Metodologia

2.1 DDPM Condizionale Fisicamente Informato

Gli autori propongono un Modello di Diffusione Probabilistica di Denoising Condizionale (DDPM) per la previsione spazio-temporale a campo completo dell'evoluzione della crepa a campo di fase. Il modello apprende a invertire un processo di aggiunta di rumore gaussiano fisso per sintetizzare il fotogramma temporale successivo del campo di danno ($\phi$), condizionato su stati storici e proxy cinematici.

• Meccanismo di Condizionamento: A differenza della traduzione immagine-immagine standard, il modello è condizionato su un tensore di caratteristiche fisicamente informate composto da:
  • Caratteristiche Spaziali: Una finestra temporale storica di 5 fotogrammi precedenti del campo di fase, il campo di velocità del danno ($\partial \phi / \partial t$) e l'ampiezza del gradiente del campo di fase ($\|\nabla \phi\|$). Questi proxy cinematici codificano esplicitamente l'accumulo di danno, la direzione di crescita e l'intensità dello stress locale.
  • Caratteristiche Scalari: Embedding temporali, tipo di carico (taglio vs. trazione biassiale) e densità macroscopica della crepa.
• Architettura: La rete di predizione del rumore utilizza un backbone U-Net con due percorsi di condizionamento paralleli:
  1. Condizionamento Spaziale: Concatenazione del tensore di caratteristiche spaziali a 7 canali lungo l'asse dei canali con l'input rumoroso.
  2. Condizionamento Scalare: Iniezione di variabili di stato globali tramite un Perceptron Multistrato (MLP) nel bottleneck della U-Net.
• Vincoli Fisici: Sebbene il modello di diffusione non imponga architettonicamente l'irreversibilità ($\dot{\phi} \geq 0$), viene applicata una proiezione monotonica post-hoc durante l'inferenza per garantire che il danno non diminuisca, correggendo rare violazioni senza influenzare il campionamento stocastico.

2.2 Dataset e Protocollo di Valutazione

Il modello è addestrato e valutato su un dataset benchmark standardizzato di 6.000 simulazioni a campo di fase (Hamdi e Lejeune [32]).

• Addestramento: 4.000 simulazioni attraverso quattro sottoinsiemi (combinazioni di carico di taglio/trazione e decomposizioni energetiche spettrali/volumetriche/star-convex).
• Validazione: 2.000 simulazioni tenute fuori come "non viste" (ad esempio, carico di taglio con decomposizione star-convex) per testare la generalizzazione tra regimi diversi.
• Metriche: La valutazione privilegia metriche specifiche della crepa rispetto alla precisione globale dei pixel, inclusi il coefficiente Dice, l'Intersection over Union (IoU), la distanza di Hausdorff, l'errore di localizzazione del vertice della crepa, l'errore di lunghezza della crepa e i numeri di Betti (correttezza topologica).

2.3 Quantificazione dell'Incertezza (UQ)

L'incertezza è quantificata tramite la varianza dell'ensemble senza modificare il modello addestrato. Eseguendo la catena di diffusione inversa $N$ volte con diversi campioni di rumore gaussiano iniziali per lo stesso input, il modello genera un ensemble di percorsi di crepa fisicamente plausibili. La deviazione standard per pixel di questo ensemble funge da mappa di incertezza, che ci si aspetta si concentri nei punti di biforcazione strutturale dove sono ammissibili percorsi multipli.

3. Risultati Chiave

3.1 Accuratezza della Predizione e Generalizzazione

• Prestazioni Single-Step: Il modello raggiunge un coefficiente Dice di 0,9948 sui set di validazione tenuti fuori, dimostrando una robusta generalizzazione tra regimi.
• Localizzazione della Crepa: Il modello raggiunge un'accuratezza sub-pixel nella localizzazione del vertice della crepa con un errore medio di 0,12 pixel.
• Correttezza Topologica: Il modello mantiene un'alta fedeltà topologica, con tassi di corrispondenza Betti-0 del 92,9% e tassi di corrispondenza Betti-1 condizionali del 95,2% per i loop chiusi.

3.2 Stabilità Autoregressiva

In rollout autoregressivi a ciclo chiuso (50 step, senza teacher forcing):

• Il DDPM mantiene un punteggio Dice di 0,929 ± 0,010.
• Una U-Net deterministica addestrata in condizioni identiche collassa a un punteggio Dice di 0,423 a causa dell'accumulo di errori.
• Questo gap di prestazione di 2,2× conferma che il re-campionamento stocastico previene la propagazione sistematica dell'errore che degrada i predittori a punto fisso.
• L'analisi della crescita dell'errore mostra che l'Errore Assoluto Medio (MAE) per pixel cresce in modo sub-lineare ($b \approx 0,865$), mentre l'errore topologico (1-Dice) cresce linearmente ($b \approx 1,035$).

3.3 Prestazioni della Quantificazione dell'Incertezza

• Localizzazione: La varianza dell'ensemble si concentra specificamente sulle giunzioni di ramificazione della crepa (ad esempio, $\sigma_{max} = 0,222$ nelle giunzioni a Y) pur rimanendo vicino allo zero nei regimi di propagazione deterministica.
• Precisione: I pixel ad alta incertezza (alto $\sigma$) identificano le predizioni ad alto errore con una precisione del 90%, un miglioramento di 18 volte rispetto alla selezione casuale.
• Calibrazione: Il modello mostra una correlazione di rango di Spearman positiva ($\rho = 0,269$) tra l'incertezza predetta e l'errore effettivo sui pixel della crepa. L'analisi della copertura indica che il modello è leggermente sotto-dispersivo nelle zone di biforcazione ma ben calibrato per il triage ingegneristico.

3.4 Efficienza Computazionale

• Velocità vs. FEM: L'inferenza su una GPU H100 richiede circa 3,6 secondi per step, ovvero circa 28× più veloce del riferimento FEM (2,8 ore per 100 step).
• Costo vs. Deterministico: Il DDPM è circa 1.000× più lento di una U-Net deterministica (4,2 ms/step). Gli autori attribuiscono questo costo alla natura iterativa della catena di diffusione inversa a 1.000 step necessaria per generare campioni stocastici diversificati.

4. Significato e Rivendicazioni

L'articolo stabilisce un surrogato generativo calibrato probabilisticamente per la frattura fragile che affronta i limiti degli approcci di ML deterministici. I suoi principali contributi sono:

1. Molteplicità Stocastica: A differenza dei surrogati deterministici che mediano i percorsi complessi delle crepe, il DDPM cattura la natura multimodale della frattura nei punti di biforcazione, generando esiti diversi e fisicamente plausibili da un singolo modello addestrato.
2. Quantificazione dell'Incertezza Intrinseca: Il modello fornisce mappe di incertezza spazialmente localizzate senza richiedere l'addestramento di più modelli indipendenti (come nei deep ensembles). Ciò consente agli ingegneri di identificare aree ad alto rischio (instabilità strutturali) con alta precisione.
3. Stabilità a Lungo Termine: Il meccanismo di re-campionamento stocastico previene l'accumulo catastrofico di errori osservato nei rollout autoregressivi deterministici, consentendo una previsione stabile a lungo termine.
4. Utilità Ingegneristica: L'output dell'incertezza funge da strumento pratico per il "triage ingegneristico", permettendo la verifica mirata delle predizioni ad alto errore, colmando così il divario tra la simulazione ad alta fedeltà e il monitoraggio della salute strutturale in tempo reale.

Il lavoro conclude che, sebbene il costo computazionale dei modelli di diffusione sia superiore rispetto alle alternative deterministiche, la capacità di quantificare l'incertezza e catturare la molteplicità strutturale giustifica questa spesa per applicazioni critiche per la sicurezza e la meccanica computazionale orientata al rischio.