🔬 physics

Federated Scientific Machine Learning Framework for Multi-Scale Inverse Parameter Identification: Application to Nonlocal Strain Gradient Plasticity

Deze studie introduceert een nieuw framework voor inverse federated scientific machine learning (I-FedSciML) dat de privacy-bewarende, collaboratieve kalibratie van parameters van een non-lokale gradiëntplasticiteitsmodellen voor niet-lokale rekgradiënten mogelijk maakt over diverse micro-schaal experimentele datasets zonder ruwe data te centraliseren, waarbij een hoge voorspellende nauwkeurigheid wordt bereikt zelfs onder significante ruisomstandigheden.

Oorspronkelijke auteurs: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

Gepubliceerd 2026-08-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Op de schaal van een menselijke haar of een korrel zand beginnen de regels die bepalen hoe metaal buigt en uitrekt te veranderen. In de alledaagse wereld zouden een dikke stalen balk en een dunne stalen draad van hetzelfde materiaal zich vergelijkbaar moeten gedragen bij het buigen; hun sterkte is een vaste eigenschap van het metaal zelf. Maar wanneer wetenschappers de grootte van een metaalmonster verkleinen tot op microscopisch niveau, ontdekken ze iets onverwachts: hoe kleiner het stuk, hoe sterker het wordt. Een minuscule draad weerstaat tordering veel meer dan een dikke, en een microscopische balk weerstaat buiging met een kracht die de klassieke fysica niet kan verklaren. Dit fenomeen, bekend als grootteafhankelijke plasticiteit, gebeurt omdat de interne structuur van het metaal — specifiek de minuscule defecten die zogenaamde dislocaties, die ervoor zorgen dat het kan vervormen — zich anders ophoopt wanneer het monster zo klein is. Om te voorspellen hoe deze kleine structuren zich zullen gedragen, gebruiken ingenieurs complexe wiskundige modellen die een speciale "lengteschaal" bevatten om rekening te houden met deze extra sterkte. Het bepalen van de exacte getallen voor deze modellen is echter een hardnekkig probleem gebleken. De gegevens die nodig zijn om ze te kalibreren, komen uit delicate experimenten uitgevoerd in verschillende laboratoria, vaak op verschillende materialen, en de resultaten zijn schaars en verspreid. Traditioneel moesten onderzoekers elk experiment afzonderlijk analyseren, wat vaak leidt tot onzekere of tegenstrijdige antwoorden over wat het materiaal daadwerkelijk doet.

Een team van onderzoekers heeft nu een nieuwe manier voorgesteld om dit puzzelstuk op te lossen door deze verspreide experimenten samen te brengen zonder ooit de ruwe gegevens te verplaatsen. Ze ontwikkelden een systeem genaamd inverse federated scientific machine learning, een methode waarmee meerdere computers van elkaar kunnen leren terwijl ze hun privé-informatie veilig houden. Stel je een groep wetenschappers in verschillende landen voor, die elk een unieke set experimentele resultaten hebben over een stuk metaal. In plaats van hun gevoelige gegevens naar een centrale server te sturen waar ze verloren kunnen gaan of gestolen kunnen worden, sturen ze alleen de "lessen" die ze uit hun eigen gegevens hebben geleerd naar een centrale coördinator. De coördinator mengt deze lessen om een slimmer, gedeeld begrip te creëren, dat vervolgens wordt teruggestuurd naar de wetenschappers om hun lokale modellen te verfijnen. In deze studie pasten de onderzoekers deze aanpak toe op het identificeren van de verborgen parameters van een niet-lokaal gradiëntplasticiteitsmodel. Ze behandelden elk afzonderlijk experiment — of het nu een dun nikkelbalkje, een koperdraad of een aluminiumfolie was — als een onafhankelijke "cliënt" in een digitaal netwerk. Het systeem leerde de specifieke geometrie van elk monster, zoals de dikte en de korrelgrootte, direct te koppelen aan de specifieke getallen die nodig zijn om het natuurkundige model voor dat exacte stuk metaal te laten werken.

De onderzoekers testten dit kader met echte gegevens van vier verschillende soorten microscopische experimenten: het buigen van dunne gegloeide nikkelbalken, het buigen van LIGA-nikkelfolie, het buigen van aluminiumbalken en het torderen van dunne koperdraden. In elk geval identificeerde het systeem succesvol een unieke set materiaalparameters voor elk afzonderlijk experiment, ook al kwamen de gegevens uit verschillende bronnen met verschillende maten en vormen. Voor de nikkelbalken leerde het model dat de sterkte van het materiaal sterk afhing van hoe dik de balk was, waarbij de experimentele curves met een hoge mate van precisie nauwkeurig werden gereproduceerd. Hetzelfde gold voor de koperdraden; het systeem voorspelde correct hoeveel kracht er nodig was om draden van verschillende diameters te torderen, waarbij de subtiele verschillen in hoe ze verstevigden onder spanning werden gevangen. De resultaten waren opmerkelijk nauwkeurig, waarbij de voorspellingen van het model de experimentele metingen zo dicht benaderden dat de statistische fout vaak minder dan één procent was. Dit suggereert dat het systeem effectief de onderliggende fysica kan leren van hoe grootte het gedrag van materiaal verandert, zelfs wanneer de gegevens rommelig zijn of uit zeer verschillende opstellingen komen.

Om te garanderen dat de methode robuust was, testten de onderzoekers ook hoe goed deze omging met ruis, waarbij ze de soort kleine meetfouten simuleerden die in echte laboratoria voorkomen. Ze introduceerden kunstmatige fouten variërend van één tot tien procent in de gegevens om te zien of het systeem zou breken. Zelfs met tien procent ruis, wat een aanzienlijke hoeveelheid fout is, bleef het kader stabiel. Hoewel de voorspellingen iets minder precies werden en de geïdentificeerde getallen wat meer varieerden, legde het systeem nog steeds de belangrijkste trends vast van hoe de materialen zich gedroegen. Het stortte niet in tot onzin; in plaats daarvan leverde het een betrouwbare schatting van de materiaaleigenschappen ondanks de interferentie. Deze veerkracht is cruciaal voor praktische toepassing, waarbij experimentele gegevens zelden perfect zijn. De studie toont aan dat het mogelijk is om een collaboratief, privacy-bewarend netwerk op te bouwen dat leert van diverse, gedistribueerde experimenten om complexe fysische problemen op te lossen. Door de gegevens lokaal te houden en alleen de geleerde inzichten te delen, biedt deze aanpak een nieuwe weg voor wetenschappers om geavanceerde materiaalmodellen te kalibreren zonder de veiligheid of het eigendom van hun experimentele resultaten in gevaar te brengen. Het werk beweert niet elk probleem in de materiaalkunde te hebben opgelost, maar het biedt een krachtig nieuw instrument om te begrijpen hoe de microscopische wereld zich gedraagt, een instrument dat de grenzen tussen verschillende onderzoeksgroepen respecteert terwijl het hun kennis verenigt.

Technische Samenvatting: Federatief Wetenschappelijk Machine Learning Framework voor Multi-schaal Inverse Parameteridentificatie

Probleemstelling
Klassieke plasticiteitstheorieën falen in het beschrijven van de grootteafhankelijke plastische vervorming waargenomen in micro-schaal experimenten (bijv. micro-buiging, micro-torsie), omdat ze een intrinsieke materiaallengteschaal missen. Strain Gradient Plasticity (SGP) modellen pakken dit aan door rekgradiënten en geometrisch noodzakelijke dislocaties (GNDs) te incorporeren. Het kalibreren van niet-lokale SGP-modellen blijft echter uitdagend. De effectieve materiaallengteschaal is vaak geen vaste constante, maar hangt af van microstructuurkenmerken (korrelgrootte), specimenformaat en deformatie modi. Bijgevolg is de modelrespons afhankelijk van verschillende onderling verbonden parameters (referentiespanning, verstevigingsmodulus, verstevigingsexponent en evoluerende lengteschaal-relaties).

Traditionele inverse identificatiemethoden (bijv. Finite Element Model Updating, Virtual Fields Method) behandelen elk experimenteel dataset doorgaans onafhankelijk. Deze aanpak faalt in het benutten van informatie over heterogene datasets verkregen uit verschillende laboratoria, geometrieën of belastingscondities. Bovendien vereist de schaarste aan micro-schaal data en de potentiële noodzaak om propriëtaire of gevoelige experimentele data te beschermen binnen gedistribueerde onderzoeksgroepen een framework dat gezamenlijke kalibratie kan uitvoeren zonder de ruwe data te centraliseren.

Methodologie
De auteurs stellen een Inverse Federated Scientific Machine Learning (I-FedSciML) framework voor, ontworpen voor de identificatie van parameters voor een gegeneraliseerd niet-lokaal SGP-model met een variërende lengteschaal. De methodologie integreert drie kerncomponenten:

Fysica-gebaseerd Forward Model: De studie maakt gebruik van een gegeneraliseerde SGP-formulering (Voyiadjis en Abu Al-Rub, 2005) waarbij de effectieve plastische rek een combinatie is van lokale en gradiënt-afhankelijke termen. De materiaallengteschaal wordt geformuleerd als een functie van specimenformaat, korrelgrootte en plastische rek. Analytische en numerieke oplossingen zijn afgeleid voor grootte-afhankelijke micro-buiging (dunne balken) en micro-torsie (dunne draden) om differentieerbare forward modellen ( $\mathcal{F}_{SGP}$ ) te genereren die moment–kromming en koppel–twist responsen kunnen voorspellen.
Geometrie-geconditioneerd Inverse Neuraal Netwerk: In plaats van neurale netwerken te gebruiken als directe black-box surrogaten voor de materiaalrespons, gebruikt het framework een gedeeld neuraal netwerk als een inverse operator. Dit netwerk brengt genormaliseerde geometrische beschrijvers (korrelgrootte $d$ , specimenformaat $D$ , en dikte/breedte $h$ ) in kaart naar een cliënt-specifiek SGP-parametervector ( $\sigma_{ref}, \sigma_0, m$ ). De outputs van het netwerk worden beperkt via gebonden sigmoid-transformaties om fysieke toepasbaarheid te garanderen.
Federated Learning Protocol: Het framework behandelt elk experimentele curve (die een unieke geometrie en belastingsconditie vertegenwoordigt) als een onafhankelijke "cliënt".
- Lokale Training: Elke cliënt voert lokale optimalisatie uit om de discrepantie te minimaliseren tussen de voorspelde respons (gegenereerd door het forward model met de door het netwerk voorspelde parameters) en de lokale experimentele data.
- Globale Aggregatie: Een centrale server aggregeert de lokale modelupdates met behulp van het Federated Averaging (FedAvg) algoritme. Dit stelt het gedeelde inverse netwerk in staat om een globale mapping tussen geometrie en parameters te leren zonder ooit toegang te krijgen tot de ruwe experimentele data van individuele cliënten.

Belangrijkste Bijdragen

Eerste toepassing van Federated SciML op SGP: Dit werk presenteert het eerste inverse federated scientific machine learning framework dat specifelijk is gericht op de identificatie van parameters van grootte-afhankelijke niet-lokale SGP-modellen.
Privacy-bewuste Collaboratieve Kalibratie: Het framework maakt de collaboratieve kalibratie van constitutieve modellen mogelijk over gedistribueerde datasets (verschillende labs, geometrieën, materialen) terwijl de privacy van data wordt gewaarborgd door de ruwe experimentele curves lokaal bij elke cliënt te houden.
Geometrie-geconditioneerde Parameteridentificatie: De methode identificeert succesvol onderscheidende, cliënt-specifieke parametersets die rekening houden met de specifieke geometrische en microstructuurkenmerken van elk experiment, in plaats van één enkele globale parameter set op heterogene data af te dwingen.
Differentiabele Fysica Integratie: De aanpak embedt het SGP forward model direct in de trainingsloop, wat ervoor zorgt dat de geïdentificeerde parameters fysiek consistent zijn met de leidende differentiaalvergelijkingen van strain gradient plasticity.

Resultaten
Het framework werd gevalideerd met behulp van vier benchmark micro-schaal experimentele datasets:

Annealed Nickel Beams (Micro-buiging): Drie cliënten met variërende diktes en korrelgroottes. Het framework behaalde $R^2$ -waarden tussen 0,982 en 0,990. De geïdentificeerde parameters toonden aan dat de verstevigingsmodulus ( $\sigma_0$ ) de primaire drijfveer was voor het onderscheiden van responsen, terwijl de referentiespanning ( $\sigma_{ref}$ ) naar lagere grenzen convergeerde.
LIGA Nickel Foils (Micro-buiging): Vier cliënten met variërende karakteristieke maten. Het framework behaalde $R^2$ -waarden tussen 0,925 en 0,974. In dit geval vertoonde $\sigma_{ref}$ een significante cliënt-afhankelijke variatie, wat duidt op het belang ervan bij het differentiëren van deze specifieke responsen.
Aluminum Beams (Micro-buiging): Twee cliënten. Het framework behaalde $R^2$ -waarden van 0,898 en 0,904. De verstevigingsmodulus speelde hier opnieuw een dominante rol bij het fitten van de data.
Copper Wires (Micro-torsie): Vijf cliënten met variërende draaddiameters. Het framework behaalde een hoge nauwkeurigheid met $R^2$ -waarden variërend van 0,985 tot 0,997.

Gevoeligheidsanalyse voor Ruis:
De studie evalueerde de robuustheid door synthetische Gaussische ruis (1%, 2,5%, 5% en 10%) toe te voegen aan de koper-torsiedata.

Parameter Bias en Onzekerheid: Naarmate de ruisniveaus toenamen, namen de parameterbias en de standaarddeviatie toe. Bij 10% ruis bereikte de bias in $\sigma_{ref}$ bijna 18% voor sommige cliënten, en de voorspellingsonzekerheid werd groter.
Voorspellend Vermogen: Ondanks de toegenomen ruis behield het framework een betrouwbaar voorspellend vermogen. Zelfs bij 10% ruis behielden de gemiddelde voorspellingen de belangrijkste grootte-afhankelijke trends, hoewel de 95%-voorspellingsintervallen breder waren.

Betekenis en Claims
De auteurs beweren dat het I-FedSciML framework een effectieve en privacy-bewuste route biedt voor de collaboratieve kalibratie van niet-lokale, grootte-afhankelijke constitutieve modellen. De studie demonstreert dat:

Federated learning succesvol de heterogeniteit van micro-schaal experimentele data (verschillende geometrieën, materialen en belastingsmodi) kan afhandelen zonder de ruwe data te centraliseren.
De geometrie-geconditioneerde inverse operator in staat is om onderscheidende parameter sets voor verschillende cliënten te herstellen, terwijl een vereniglijke globale relatie tussen geometrie en materiaalgedrag wordt geleerd.
Het framework robuust genoeg is om met realistische meetruis om te gaan, waarbij het in staat blijft om grootte-afhankelijke verstevigingseffecten te vangen, zelfs onder significante data-perturbatie.

Dit werk legt een fundament voor toekomstige collaboratieve constitutieve modellering over gedistribueerde laboratoria, waarbij de beperkingen van onafhankelijke kalibratie en de barrières voor het delen van data in wetenschappelijk onderzoek worden aangepakt. Toekomstige uitbreidingen die door de auteurs worden gesuggereerd, omvatten het integreren van rijkere fysieke beschrijvers (bijv. textuur, rek-snelheidseffecten) en het generaliseren van de aanpak naar andere niet-lokale modellen zoals gekoppelde schade-plasticiteit en gradiënt-verbeterde breuk.

Meer zoals dit