🔬 condensed matter

Direct inference of viscoelastic memory from chirp rheometry via physics-informed Gaussian processes

Dit artikel introduceert een natuurkunde-geïnformeerd Gaussian process-raamwerk dat direct visco-elastische geheugenkernels afleidt uit ruwe tijd-domein chirp-rheometrie-data, waarbij de traditionele frequentie-domein reductie wordt omzeild om snelle, hertrainingsvrije voorspelling van materiaalresponsen op ongeziene vervormingshistorieën en de resolutie van materiaalevolutie binnen een enkel experiment mogelijk te maken.

Oorspronkelijke auteurs: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Gepubliceerd 2026-08-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Zachte materialen, van de gels in ons voedsel tot de weefsels in ons lichaam, bezitten een uniek soort geheugen. In tegen tegenstelling tot een eenvoudige veer die direct terugspringt wanneer deze wordt losgelaten, herinneren deze stoffen zich hoe ze in het verleden zijn vervormd. De spanning die ze op elk gegeven moment voelen, wordt niet alleen bepaald door hun huidige vorm, maar door de volled toegelegde geschiedenis van hoe ze eerder zijn uitgerekt of samengedrukt. Dit erfelijke gedrag is de sleutel tot het voorspellen van hoe dergelijke materialen presteren onder realistische omstandigheden, maar het meten ervan is traditioneel een traag en tijdrovend proces geweest. Wetenschappers onderzoeken deze materialen meestal door ze te laten trillen op één specifieke frequentie, wachtend tot het signaal zich heeft gestabiliseerd, om vervolgens over te gaan naar de volgende frequentie. Om het volledige gedrag van een materiaal in kaart te brengen, kan dit proces uren duren, een tijdsbestek dat vaak te lang is voor materialen die veranderen of verouderen tijdens de meting. Bovendien omvat de standaardmanier van gegevensanalyse het comprimeren van duizenden ruwe metingen tot een paar samenvattende getallen, een stap die onvermijdelijk een enorme hoeveelheid informatie weggooit en fouten kan introduceren.

Een team van onderzoekers aan de Aalto Universiteit in Finland heeft een nieuwe manier ontwikkeld om deze beperkingen te omzeilen, waardoor ze het geheugen van een materiaal direct kunnen aflezen uit één enkel, snel experiment. In plaats van het materiaal op één frequentie tegelijk te laten trillen, gebruiken ze een "chirp"-signaal, een vervorming die continu door een breed bereik van frequenties zweeft in slechts enkele seconden. Deze methode genereert een dichte stroom gegevens, waarbij duizenden spanning- en rekparen worden vastgelegd in de tijd die het vroeger kostte om slechts een handvol punten te verzamelen. De onderzoekers pasten vervolgens een geavanceerd statistisch kader toe, bekend als een natuurkundig geïnformeerd Gaussisch proces. In plaats van de gegevens eerst om te zetten in frequentiesamenvattingen, gebruikt deze benadering de fundamentele natuurwetten om het tijdsdomein-record direct te interpreteren. Het behandelt het geheugen van het materiaal als een set bouwstenen, waarbij verschillende wiskundige vormen wordt getest om te zien welke het beste de waargenomen spanning verklaart. Op deze manier identificeert de methode de specifieke geheugenregels van het materiaal en kwantificeert zij de onzekerheid in die regels, zonder ooit de ruwe gegevens weg te gooien of vooraf een specifiek model aan te nemen.

De onderzoekers testten deze aanpak op verschillende verschillende zachte materialen, die elk een unieke uitdaging vormden. In één experiment analyseerden ze een oplossing van wormachtige micellen, een type zachte materie dat gewoonlijk gedraagt als een eenvoudige vloeistof met één enkele relaxatietijd. De standaardmethode zou een lange frequentiescan vereisen om dit te bevestigen, maar het nieuwe kader analyseerde een chirp van slechts twee seconden. De gegevens waren voldoende om de enkele relaxatietijd van het materiaal te bepalen en te bevestigen dat het zich bijna exact gedraagt als een klassieke vloeistof, met slechts een minimale, meetbare afwijking die de methode met hoge precisie kon detecteren. De onderzoekers demonstreerden ook dat het model dat leerde van deze korte burst aan gegevens niet alleen de specifieke gebruikte signalen memoriseerde. Toen ze het getrainde model toepasten op een volledig andere, langere chirp met een andere startfase en frequentiebereik, voorspelde het de respons van het materiaal accuraat, inclusief het gedrag bij frequenties die het oorspronkelijke korte experiment nooit eens had geraakt. Dit bewees dat het systeem de ware fysieke wet beheerst die het materiaal regeert, en niet slechts een patroon dat specifiek is voor het testsignaal.

De kracht van de methode werd nog duidelijker bij het werken met ruisige of complexe materialen. In een studie van een cellulose-nanovezel hydrogel waren de gegevens aanzienlijk ruisiger dan in het experiment met micellen, een situatie waarin traditionele analyse vaak faalt. Het nieuwe kader slaagde erin om een helder, schaalvrij geheugenpatroon uit de ruis te extraheren, wat overeenkwam met de resultaten van een conventionele meting die zestig keer langer duurde. In een andere test met een fotopolymeer hars vertoonde het materiaal twee verschillende gedragingen die gelijktijdig optraden: een permanent elastisch netwerk en een dissipatieve, vloeistofachtige fractie. De methode was in staat om deze twee bijdragen binnen een enkel tijdsspoor te scheiden, waarbij werd gekwantificeerd hoeveel spanning uit elk mechanisme voortkwam en een duidelijk beeld gaf van de interne structuur van het materiaal. Tot slot gebruikten de onderzoekers de techniek om een materiaal in realtime te observeren. Door een UV-uithardend ac certain te analyseren, detecteerden ze een schending van de tijdsinvariantie van het materiaal, waarbij ze observeerden dat de viscositeit gestaag toenam terwijl het materiaal harder werd tijdens de enkele chirp-experiment. Dit maakte het mogelijk om het begin van chemische mutatie direct in het tijdsdomein te volgen, zonder een vooraf gedefinieerd model nodig te hebben van hoe het uithardingsproces zou moeten verlopen.

Door het ruwe tijdsdomein-record te behandelen als de primaire bron van waarheid, transformeert deze benadering hoe wetenschappers de zachte materie begrijpen. Het vervangt het trage, stapsgewijze proces van spectrale schatting en modelpassing door een enkele, verenigde inferentieprobleemstelling. Het resultaat is een methode die sneller is, robuuster tegen ruis en in staat is om materiaaleigenschappen te onthullen die voorheen verborgen waren of die prohibitief lange metingen vereisten om te vinden. Het biedt een manier om het geheugen van zachte materialen te zien met een helderheid die voorheen onbereikbaar was, waarbij enkele seconden aan experimentele gegevens worden omgezet in een gedetailleerde kaart van hoe een materiaal zijn verleden onthoudt.

Technische Samenvatting: Directe Inferentie van Visco-elastisch Geheugen uit Chirp-rheometrie via Physics-Informed Gaussian Processes

Probleemstelling
Zachte materialen vertonen visco-elastisch gedrag waarbij de spanning wordt bepaald door een gewogen integraal over de gehele vervormingsgeschiedenis, in plaats van door de instantane rek. Het identificeren van dit "geheugen" is cruciaal voor het voorspellen van het materiaalgedrag onder realistische belastingen. De standaard rheologische benadering, Small Amplitude Oscillatory Shear (SAOS), is reproduceerbaar maar lijdt aan twee praktische beperkingen: (1) volledige frequentiesweeps zijn tijdrovend (minuten tot uren), wat ongeschikt is voor evoluerende systemen zoals gelerende of verouderende materialen; en (2) constitutieve inferentie vindt pas plaats na spectrale schatting (Fourier-transformatie), wat betekent dat ruis en artefacten door eindige vensters die tijdens signaalreductie worden geïntroduceerd, onomkeerbaar doorwerken in het gefitte model.

Chirp-rheometrie biedt een oplossing door uren aan metingen te comprimeren tot seconden, waarbij dichte tijdreeksgegevens ( $10^3$ – $10^4$ spanning-rek paren) worden gegenereerd. Echter, de standaard analyse-pipeline voor chirp-data imiteert SAOS: de dichte tijdreeks wordt gevensterd en Fourier-getransformeerd om opslagmoduli ( $G'$ ) en verliesmoduli ( $G''$ ) te schatten voordat een constitutief model wordt gefit. Dit proces verwerpt het merendeel van de gemeten informatie, waardoor een "inferentiële bottleneck" ontstaat waarbij biases in de spectrale schatting de nauwkeurigheid van de teruggewonnen constitutieve wet beperken. Bovendien missen bestaande machine learning-benaderingen in de rheologie vaak generaliseerbaarheid; modellen die getraind zijn op specifieke waveforms falen vaak bij het voorspellen van responsen op andere deformatieprotocollen omdat ze waveform-specifieke mapping leren in plaats van intrinsieke materiaaleigenschappen.

Methodologie
De auteurs stellen een physics-informed Gaussian Process (GP) framework voor dat directe probabilistische constitutieve inferentie in het tijdsdomein uitvoert, waarbij de tussenliggende spectrale schatting wordt omzeild.

Physics-Informed Feature Constructie: Het framework implementeert het Boltzmann-superpositieprincipe direct in de GP-inputruimte. In plaats van ruwe tijdcoördinaten te gebruiken, worden de inputfeatures geconstrueerd als causale convoluties van de gemeten rek-snelheidshistorie ( $\dot{\gamma}$ ) met kandidaat-geheugenkernen ( $\phi_i$ ).
$\sigma(t) = \sum_{i=1}^n c_i x_i(t; \kappa)$
waarbij $x_i(t) = \int_0^t \phi_i(t-t'; \kappa) \dot{\gamma}(t') dt'$ . Hierbij vertegenwoordigt $\kappa$ vormparameters (bijv. relaxatietijden, fractionele exponenten) en $c_i$ de scalaire prefactoren (bijv. moduli, viscositeiten).
Gaussian Process Regression: Een GP wordt toegewezen over de mapping van deze geengineerde features naar de gemeten spanning.
- Lineair Kernel: Voor materialen in het lineaire visco-elastische regime wordt een lineair kernel gebruikt. Dit maakt de GP equivalent aan Bayesiaanse lineaire regressie in de feature-ruimte, waarbij de posterieure sensitiviteiten ( $\partial \bar{\sigma} / \partial x_i$ ) direct de constitutieve prefactoren ( $c_i$ ) opleveren.
- RBF Kernel: Voor gevallen waarin lineariteit of tijd-translatie-invariantie niet kan worden aangenomen (bijv. muterende materialen), staat een Radial Basis Function (RBF) kernel een niet-lineaire spanning-feature map toe. De tijd-opgeloste sensitiviteit van de GP-voorspelling ten opzichte van de features dient als diagnostiek voor materiaal-evolutie.
Modelselectie en Training: Het framework traint gezamenlijk op alle parameters (vormparameters $\kappa$ en GP-hyperparameters) door het maximaliseren van de Evidence Lower Bound (ELBO). Modelselectie tussen kandidaat-constitutieve wetten (bijv. Maxwell, Fractional Maxwell, Scott Blair, Fractional Kelvin-Voigt) wordt uitgevoerd met behulp van Akaike (AIC) en Bayesian (BIC) informatiecriteria, berekend direct vanuit de ruwe tijdreeksgegevens.

Belangrijkste Resultaten
Het framework werd gevalideerd over vijf verschillende experimentele scenario's:

Maxwelliaans Geheugen in Wormlike Micelles: Toegepast op een 2-seconden chirp op een wormachtige micellaire oplossing, selecteerde de methode een Fractional Maxwell Liquid (FML) model boven klassieke Maxwell en andere fractionele varianten. Het herstelde een relaxatietijd ( $\tau_c \approx 1,49$ s) en een fractionele exponent ( $\beta \approx 0,014$ ) die het materiaal nabij de Maxwell-limiet plaatst. Cruciaal is dat het model een karakteristieke frequentie ( $\omega_c \approx 0,67$ rad/s) afleidde die buiten de geprikkelde frequentieband van de trainingschirp lag, wat het vermogen aantoont om te extrapoleren buiten het trainingsvenster.
Protocolonafhankelijkheid: Een GP getraind op een 2-seconden chirp werd getest tegen een onafhankelijke 14-seconden chirp met een andere bandbreedte, duur en initiële fase. De getrainde GP voorspelde de spanningsrespons met hoge nauwkeurigheid (RMSE vergelijkbaar met de trainingsfit) en loste correct de terminale crossover-frequentie op, wat bevestigt dat de methode een constitutieve wet leert in plaats van een waveform-specifieke mapping.
Schaalvrij Geheugen in Kritische Gels: Op een ruisige 7-seconden chirp van een cellulose-nanovezel hydrogel herstelde de methode een Scott Blair (kritische gel) geheugenkern. Het bereikte een coëfficiënt van determinatie ( $R^2 = 0,863$ ) en identificeerde de fractionele exponent ( $\alpha \approx 0,063$ ) en quasi-eigenschap ( $V$ ) die consistent zijn met een 451-seconden discrete frequentiesweep, ondanks het feit dat de chirp-data twee ordes van grootte korter en aanzienlijk ruiziger waren.
Spanningsapportionering in Fotopolymeer Harsen: Voor een fotopolymeer hars gemodelleerd door een Fractional Kelvin-Voigt (FKV) model, slaagde het framework erin de spanningsrespons te deconstrueren in twee parallelle geheugenfeatures (een quasi-elastisch netwerk en een power-law dissipatieve tak). Het kwantificeerde de onzekerheid in deze deconstructie en loste een zwakke power-law relaxatie in de netwerktak op die standaard Fourier-analyse niet kon vangen vanwege ruis.
Detectie van Materiaalmutatie: Toegepast op een UV-uithardend ac certain systeem, gebruikte het framework een RBF kernel om schendingen van tijd-translatie-invariantie te detecteren. De tijd-opgeloste sensitiviteit van de GP-voorspelling ten opzichte van de geheugenfeature (geïnterpreteerd als dynamische viscositeit) toonde een monotone toename van +8,1% over een enkele chirp, waardoor het begin van materiaalmutatie (crosslinking) direct werd gevangen zonder een voorgeschreven kinetisch model. Een controlemeting op hetzelfde materiaal tijdens een latere uithardingsfase toonde geen dergelijke drift.

Betekenis en Claims
Het artikel claimt de beperkingen van standaard chirp-analyse op te lossen door de sequentie van spectrale schatting gevolgd door constitutieve fitting te vervangen door een enkele physics-informed probabilistische inferentie-probleemstelling, direct geformuleerd op ruwe tijdreeksgegevens.

Directe Inferentie: De methode leidt de geheugenkern af (een constitutieve eigenschap) in plaats van de specifieke waveform, wat voorspellingen mogelijk maakt op ongeobserveerde deformatiehistorieën zonder hertraining.
Robuustheid tegen Ruis en Korte Duur: Door gebruik te maken van de volledige dichtheid van tijd-opgeloste gegevens, herstelt het framework constitutieve parameters uit korte of ruisige records waar conventionele Fourier-gebaseerde methoden falen of magere, artefact-gevoelige schattingen produceren.
Onzekerheidskwantificering: De probabilistische formulering biedt gekwantificeerde onzekerheid voor alle afgeleide parameters (moduli, exponenten, relaxatietijden) en maakt variantie-decompositie mogelijk tussen constitutieve features en observatieruis.
Model-vrije Diagnostiek: De tijd-opgeloste sensitiviteit dient als een diagnostisch instrument voor het detecteren van niet-stationariteit (materiaal-evolutie) en niet-lineariteiten, wat een protocol-onafhankelijke vingerafdruk van structurele veranderingen biedt.

De auteurs concluderen dat deze benadering vaststelt dat physics-informed feature constructie een route is naar generaliseerbare machine learning in de rheologie, in staat tot modelselectie, onzekerheid-bewuste parameterschatting en op bewijs gebaseerde hypothesetests direct vanuit de output van een enkele korte experimentele meting.

Meer zoals dit