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

Technische Samenvatting: Physics-Informed Kolmogorov-Arnold Networks voor Multi-Materiaal Elasticiteitsproblemen in Elektronische Verpakking

Probleemstelling
Structuren in elektronische verpakkingen bestaan uit heterogene materialen met onderscheidende mechanische eigenschappen, wat complexe multi-materiaal systemen creëert die worden gekenmerkt door scherpe interfaces en discontinuïteiten in materiaaleigenschappen. Traditionele numerieke methoden, zoals de Eindige Elementen Methode (FEM), kampen met uitdagingen met betrekking tot mesh-distortie, lokale veldresolutie en computationele efficiëntie bij het modelleren van deze complexe geometrieën. Hoewel Physics-Informed Neural Networks (PINNs) een mesh-vrij alternatief bieden, hebben standaardimplementaties met Multi-Layer Perceptrons (MLPs) moeite met multi-materiaal problemen. Conventionele PINN-benaderingen vereisen doorgaans domeindecompositie (het partitioneren van het domein in subdomeinen voor elk materiaal) en de introductie van interface-continuïteitsrestricties via penalty-termen. Dit vereist uitgebreide hyperparameter-tuning en leidt vaak tot convergentieproblemen, vooral bij complexe interface-geometrieën. Bovendien kunnen MLPs lijden aan spectrale bias, wat hun vermogen beperkt om hoogfrequente kenmerken en scherpe transities te vangen die inherent zijn aan multi-materiaal oplossingen.

Methodologie
Dit artikel stelt een Physics-Informed Kolmogorov-Arnold Network (PIKAN) framework voor, geïntegreerd met de Deep Energy Method (DEM), om multi-materiaal elasticiteitsproblemen op te lossen zonder domeindecompositie.

• Deep Energy Method (DEM): In plaats van de sterk gevormde partiële differentiaalvergelijkingen (PDE's) op te lossen, minimaliseert deze methode de totale potentiële energiefunctional. De verliesfunctie wordt geconstrueerd als het verschil tussen de interne vervormingsenergie en de externe potentiële energie. Deze variationele benadering vermindert de orde van vereiste afgeleiden en biedt doorgaans een hogere nauwkeurigheid en efficiëntie voor elasticiteitsproblemen.
• Admissibele Vervormingsvelden: Om de essentiële randvoorwaarden strikt te voldoen zonder penalty-termen, wordt het vervormingsveld geconstrueerd als $u_{pred}(x) = P(x) + D(x) \odot F(x; \theta)$, waarbij $P(x)$ de randwaarden voldoet, $D(x)$ een afstandsfunctie tot de rand is, en $F(x; \theta)$ de output van het neurale netwerk is. Dit zorgt ervoor dat randvoorwaarden door constructie worden nageleefd.
• Kolmogorov-Arnold Networks (KANs): De kerninnovatie vervangt traditionele MLPs door KANs. In tegen tegenstelling tot MLPs, die vaste activatiefuncties op knooppunten gebruiken en leerbare gewichten op randen, plaatsen KANs leerbare univariate activatiefuncties (geparameteriseerd als B-splines) op de randen.
  • Afhandeling van Discontinuïteiten: De B-spline basisfuncties bezitten lokale ondersteuning en stukgewijze kenmerken. Dit stelt een enkele KAN in staat om natuurlijke discontinuïteiten in spanning- en rekgradiënten over materiaalinterfaces te benaderen zonder dat er aparte netwerken voor verschillende materialen of expliciete interface-continuïteitsrestricties nodig zijn.
  • Architectuur: Het netwerk maakt gebruik van leerbare B-spline coëfficiënten, schaalfactoren en optionele lineaire gewichten. Inputcoördinaten worden genormaliseerd om te passen binnen het B-spline definitiedomein, en outputs van tussenliggende lagen worden beperkt met $\tanh$-functies om stabiliteit te behouden.
• Numerieke Integratie: De studie evalueert verschillende numerieke integratieschema's (Triangulair, Simpson, Trapezium, Monte Carlo en Delaunay) om de energie-integralen in de verliesfunctie te benaderen. De keuze van het integratieschema blijkt de oplossing nauwkeurigheid aanzienlijk te beïnvloeden, vooral in regio's met hoge spanningsgradiënten.

Belangrijkste Bijdragen

1. PIKAN Framework voor Multi-Materialen: De ontwikkeling van een PIKAN-methodologie die KANs integreert in de Deep Energy Method, waarbij gebruik wordt gemaakt van de inherente stukgewijze benaderingscapaciteiten van B-splines om materiaaldiscontinuïteiten natuurlijk te accommoderen.
2. Eliminatie van Domeindecompositie: De demonstratie dat een enkele KAN de vervormingsvelden over een heel multi-materiaal domein kan benaderen, waardoor de noodzaak voor subdomeinpartitionering en de bijbehorende interface-continuïteitspenalties en hyperparameter-tuning wordt weggenomen.
3. Uitgebreide Validatie: Uitgebreide numerieke experimenten op uitkragende balken met rechte, golvende en getrapte interfaces, een heterogene plaat met een centraal gat, en elektronische verpakkingsstructuren (DBC-substraten en TGV-Cu-structuren).
4. Systematische Analyse: Een gedetailleerd onderzoek naar de gevoeligheid van numerieke integratieschema's en hyperparameters, inclusief implementatiedetails en broncode voor reproduceerbaarheid.

Resultaten

• Nauwkeurigheid en Robuustheid: PIKAN vertoonde een uitstekende overeenkomst met FEM-referentiediscretisaties over alle geteste multi-materiaal configuraties. Het slaagde erin complexe vervormingsvelden en spanningsconcentraties nabij interfaces te vangen, zelfs bij extreme contrasten in elasticiteitsmoduli (bijv. een verschil van twee ordes van grootte).
• Vergelijking met Domeindecompositie: Wanneer vergeleken met de Conservative Energy Neural Network (CENN), die domeindecompositie met aparte MLPs gebruikt, toonde PIKAN een superieure nauwkeurigheid. CENN vertoonde merkbare vervormingsdiscontinuïteiten en spanningsoscillaties bij interfaces, vooral in complexe geometrieën (golvende en getrapte interfaces), als gevolg van de uitdagingen bij het afdwingen van continuïteit via penalty-termen.
• Gevoeligheid van Integratieschema's: Triangulaire integratie bood over het algemeen de snelste convergentie en hoogste nauwkeurigheid. Delaunay-integratie vertoonde zwakkere convergentie en hogere fouten, vooral voor gebogen interfaces, wat het cruciale belang van het integratieschema in variationele PINNs benadrukt.
• Parameter Efficiëntie: PIKAN bereikte een hoge nauwkeurigheid met minder leerbare parameters vergeleken met de MLP-gebaseerde CENN-aanpak. Zo gebruikte PIKAN in de uitkragende balkvoorbeelden ongeveer 1.050 parameters versus meer dan 3.500 voor CENN.
• Toepassingen in Elektronische Verpakking: De methode werd succesvol toegepast voor de analyse van kromming in DBC-substraten en spanningsverdelingen in Through Glass Via (TGV) structuren, inclusief gevallen met interface-ruwheid en dual-via configuraties, wat de praktische bruikbaarheid bevestigt.

Betekenis en Claims
Het artikel claimt dat PIKAN een meer beknopte en robuuste oplossing biedt voor multi-materiaal vaste mechanica problemen vergeleken met traditionele domeindecompositie methoden. Door gebruik te maken van de stukgewijze benaderingsmogelijkheden van KANs binnen een energie-gebaseerd framework, vereenvoudigt de methode het computationele framework door de noodzaak voor complexe interface-restrictieafhandeling en hyperparameter-tuning te elimineren. De auteurs stellen dat deze benadering bijzonder geschikt is voor de analyse van elektronische verpakking, waar multi-materiaal interfaces alomtegenwoordig zijn.

De studie erkent dat de theoretische convergentie van KANs nog steeds een actief onderzoeksveld is, maar dat de empirische prestaties in deze elasticiteitsproblemen veelbelovend zijn. De auteurs merken op dat de huidige studie beperkt is tot 2D-voorbeelden en dat het uitbreiden van de methode naar 3D-structuren uitdagingen met zich meebrengt met betrekking tot computationele schaalbaarheid en de theoretische beperkingen van standaard KANs in het representeren van 3D fysieke wetten (E(3) transformaties). Toekomstig werk wordt gesuggereerd om hybride MLP-KAN architecturen en rigoureuze wiskundige convergentiebewijzen te verkennen. Het artikel concludeert dat PIKAN een significante stap voorwaarts is in het toepassen van physics-informed deep learning op heterogene materiaalproblemen, wat een pad biedt voor een efficiëntere en nauwkeurigere betrouwbaarheidsanalyse in elektronische verpakking.