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

Resumo Técnico: Redes de Kolmogorov-Arnold Informadas pela Física para Problemas de Elasticidade de Materiais Múltiplos em Embalagens Eletrônicas

Definição do Problema
As estruturas de embalagem eletrônica consistem em materiais heterogêneos com propriedades mecânicas distintas, criando sistemas complexos de múltiplos materiais caracterizados por interfaces nítidas e descontinuidades nas propriedades dos materiais. Os métodos numéricos tradicionais, como o Método de Elementos Finitos (FEM), enfrentam desafios relacionados à distorção de malha, resolução de campos locais e eficiência computacional ao modelar essas geometrias complexas. Embora as Redes Neurais Informadas pela Física (PINNs) ofereçam uma alternativa livre de malha, as implementações padrão usando Perceptrons de Camada Múltipla (MLPs) têm dificuldade com problemas de múltiplos materiais. As abordagens convencionais de PINN normalmente exigem decomposição de domínio (particionamento do domínio em subdomínios para cada material) e a introdução de restrições de continuidade de interface via termos de penalidade. Isso exige um ajuste extensivo de hiperparâmetros e frequentemente leva a problemas de convergência, particularmente para geometrias de interface complexas. Além disso, as MLPs podem sofrer de viés espectral, limitando sua capacidade de capturar características de alta frequência e transições abruptas inerentes às soluções de múltiplos materiais.

Metodologia
Este artigo propõe um framework de Rede de Kolmogorov-Arnold Informada pela Física (PIKAN) integrado ao Método de Energia Profunda (DEM) para resolver problemas de elasticidade de múltiplos materiais sem decomposição de domínio.

• Método de Energia Profunda (DEM): Em vez de resolver a forma forte das equações diferenciais parciais (PDEs) regentes, o método minimiza o funcional da energia potencial total. A função de perda é construída como a diferença entre a energia de deformação interna e a energia potencial externa. Esta abordagem variacional reduz a ordem das derivadas necessárias e tipicamente oferece maior precisão e eficiência para problemas de elasticidade.
• Campos de Deslocamento Admissíveis: Para satisfazer estritamente as condições de contorno essenciais sem termos de penalidade, o campo de deslocamento é construído como $u_{pred}(x) = P(x) + D(x) \odot F(x; \theta)$, onde $P(x)$ satisfaz os valores de contorno, $D(x)$ é uma função de distância ao contorno e $F(x; \theta)$ é a saída da rede neural. Isso garante que as condições de contorno sejam atendidas por construção.
• Redes de Kolmogorov-Arnold (KANs): A inovação central substitui as MLPs tradicionais por KANs. Diferente das MLPs, que usam funções de ativação fixas nos nós e pesos aprendíveis nas arestas, as KANs colocam funções de ativação univariadas aprendíveis (parametrizadas como B-splines) nas arestas.
  • Tratamento de Descontinuidades: As funções de base B-spline possuem suporte local e características de partes segmentadas (piecewise). Isso permite que uma única KAN aproxime naturalmente descontinuidades nos gradientes de tensão e deformação através de interfaces de materiais sem exigir redes separadas para diferentes materiais ou restrições explícitas de continuidade de interface.
  • Arquitetura: A rede emprega coeficientes de B-spline treináveis, fatores de escala e pesos lineares opcionais. As coordenadas de entrada são normalizadas para ajustar ao domínio de definição da B-spline, e as saídas das camadas intermediárias são restringidas usando $\tanh$ para manter a estabilidade.
• Integração Numérica: O estudo avalia vários esquemas de integração numérica (Triangular, Simpson, Trapezoidal, Monte Carlo e Delaunay) para aproximar os integrais de energia na função de perda. A escolha do esquema de integração mostra-se significante para impactar a precisão da solução, particularmente em regiões com altos gradientes de tensão.

Principais Contribuições

1. Framework PIKAN para Múltiplos Materiais: O desenvolvimento de uma metodologia PIKAN que integra KANs ao Método de Energia Profunda, aproveitando a natureza segmentada inerente das B-splines para acomodar naturalmente as descontinuidades das propriedades dos materiais.
2. Eliminação da Decomposição de Domínio: A demonstração de que uma única KAN pode aproximar campos de deslocamento através de todo um domínio de múltiplos materiais, removendo a necessidade de particionamento de subdomínios e os associados termos de penalidade de continuidade de interface e ajuste de hiperparâmetros.
3. Validação Abrangente: Experimentos numéricos extensos em vigas em balanço com interfaces retas, onduladas e em degraos, uma placa heterogênea com um furo central e estruturas de embalagem eletrônica (substratos DBC e estruturas TGV-Cu).
4. Análise Sistemática: Uma investigação detalhada da sensibilidade dos esquemas de integração numérica e hiperparâmetros, fornecendo detalhes de implementação e código-fonte para reprodutibilidade.

Resultos

• Precisão e Robustância: A PIKAN demonstrou excelente concordância com as soluções de referência FEM em todas as configurações de múltiplos materiais testadas. Ela capturou com sucesso campos de deslocamento complexos e concentrações de tensão próximas às interfaces, mesmo com contrastes extremos nos módulos elásticos (ex: abrangendo duas ordens de magnitude).
• Comparação com Decomposição de Domínio: Quando comparada à Rede Neural de Energia Conservativa (CENN), que utiliza decomposição de domínio com MLPs separadas, a PIKAN mostrou precisão superior. A CENN exibiu descontinuidades de deslocamento e oscilações de tensão perceptíveis nas interfaces, particularmente em geometrias complexas (interfaces onduladas e em degraus), devido aos desafios de impor a continuidade via termos de penalidade.
• Sensibilidade do Esquema de Integração: A integração Triangular geralmente proporcionou a convergência mais rápida e a maior precisão. A integração Delaunay mostrou convergência mais fraca e erros maiores, particularmente para interfaces curvas, destacando o papel crítico do esquema de integração em PINNs variacionais.
• Eficiência de Parâmetros: A PIKAN alcançou alta precisão com menos parâmetros treináveis em comparação com a abordagem CENN baseada em MLP. Por exemplo, nos exemplos de vigas em balanço, a PIKAN utilizou aproximadamente 1.050 parâmetros contra mais de 3.500 da CENN.
• Aplicações em Embalagem Eletrônica: O método foi aplicado com sucesso para analisar o empenamento (warping) em substratos DBC e distribuições de tensão em estruturas de Via de Vidro Atravessada (TGV), incluindo casos de rugosidade de interface e configurações de via dupla, confirmando sua utilidade prática.

Significância e Alegações
O artigo afirma que a PIKAN oferece um paradigma de solução mais conciso e robusto para problemas de mecânica de sólidos de múltiplos materiais comparado aos métodos tradicionais de decomposição de domínio. Ao utilizar as capacidades de aproximação segmentada das KANs dentro de um framework baseado em energia, o método simplifica o framework computacional ao eliminar a necessidade de manipulação complexa de restrições de interface e ajuste de hiperparâmetros. Os autores postulam que esta abordagem é particularmente adequada para a análise de embalagem eletrônica, onde interfaces de múltiplos materiais são ubíquas.

O estudo reconhece que a convergência teórica das KANs ainda é uma fronteira de pesquisa ativa, mas o desempenho empírico nestes problemas de elasticidade é promissor. Os autores observam que o trabalho atual é limitado a exemplos 2D e que estender o método para estruturas 3D apresenta desafios relacionados à escalabilidade computacional e às limitações teóricas das KANs padrão em representar leis físicas 3D (transformações E(3)). Sugere-se que trabalhos futuros explorem arquiteturas híbridas MLP-KAN e provas matemáticas rigorosas de convergência. O artigo conclui que a PIKAN representa um passo significativo à frente na aplicação de aprendizado profundo informado pela física a problemas de materiais heterogêneos, oferecendo um caminho para análises de confiabilidade mais eficientes e precisas em embalagem eletrônica.