Engineering-Oriented Symbolic Regression: LLMs as Physics Agents for Discovery of Simulation-Ready Constitutive Laws

Este trabalho propõe um framework de Regressão Simbólica Orientada à Engenharia que utiliza Agentes de Grandes Modelos de Linguagem para sintetizar leis constitutivas de materiais complexos, garantindo consistência física e estabilidade numérica para simulações em elementos finitos, superando as limitações dos métodos tradicionais de ajuste e aprendizado de máquina.

O essencial

Imagine que você é um engenheiro tentando prever como um elástico (ou um pneu de carro) vai se comportar quando esticado, torcido ou esmagado. Para fazer isso, você precisa de uma "receita matemática" (chamada de lei constitutiva) que descreva exatamente como o material reage.

O problema é que, até agora, encontrar essa receita era como tentar adivinhar a fórmula secreta de um refrigerante:

1. O jeito antigo (Engenharia Tradicional): Os engenheiros pegavam uma fórmula pronta (como "Mooney-Rivlin" ou "Ogden") e ajustavam os números para que a curva matemática se encaixasse perfeitamente nos dados de testes de esticamento.

   • O defeito: Era como ajustar um vestido apenas para ficar bonito de frente. Se você girasse a pessoa (testasse o material de outro ângulo, como esmagando de lado), o vestido rasgaria. Na computação, isso significa que a simulação "quebra" e para de funcionar quando o material é comprimido, mesmo que os dados de esticamento estivessem perfeitos.

2. O jeito novo (IA Desenfreada): Usar Inteligência Artificial para criar fórmulas do zero.

   • O defeito: A IA é ótima em matemática, mas não sabe de física. Ela poderia criar uma fórmula que se encaixa perfeitamente nos dados, mas que viola as leis da natureza (como dizer que o elástico fica mais mole quando você o estica até o limite, ou que ele tem energia negativa). É como ter uma receita de bolo que fica ótima no teste, mas explode quando você tenta assar no forno.

A Solução: O "Detetive Físico" (LLM como Agente)

Os autores deste artigo criaram um novo sistema chamado EO-SR (Regressão Simbólica Orientada à Engenharia). A grande inovação aqui é usar um Modelo de Linguagem Grande (LLM) — a mesma tecnologia por trás de chatbots como o que você está usando agora — não para escrever texto, mas como um "Agente de Física".

Pense no LLM como um engenheiro sênior experiente que está sentado ao lado do computador.

Como funciona a "Receita" do novo sistema:

1. O Agente Define as Regras do Jogo: Antes de o computador começar a tentar adivinhar fórmulas, o "Agente Físico" (o LLM) diz: "Ei, lembre-se! Materiais elásticos não podem ter energia negativa. Eles não podem ficar instáveis. E se você esticar demais, eles devem ficar muito duros, como se estivessem prestes a arrebentar."

   • Analogia: É como um professor de matemática que diz ao aluno: "Você pode tentar qualquer equação, mas se a resposta for negativa para uma quantidade de massa, você está errado. Reescreva."

2. A Busca Inteligente: O computador tenta milhares de combinações matemáticas. Mas, em vez de apenas olhar qual se parece mais com os dados, ele verifica se o "Agente Físico" aprova a lógica. Se a fórmula viola uma lei da termodinâmica, o Agente joga fora.

3. A Descoberta: O sistema encontrou uma nova fórmula perfeita para materiais de borracha.

   • Ela combina uma parte simples e linear (como um elástico comum) com uma parte "inteligente" que simula o limite de esticamento das cadeias de polímeros.
   • O resultado: Essa fórmula não só se encaixa nos dados de esticamento, mas também funciona perfeitamente quando você tenta esmagar o material em uma simulação de computador.

Por que isso é um "Superpoder"?

O artigo mostra um teste dramático (um "teste de tortura"):

• O Modelo Velho (Ogden): Quando os engenheiros tentaram simular um pedaço de borracha com um corte, puxando-o, o modelo antigo funcionou bem no início. Mas, como o material é incompressível (não pode ser espremido para fora), ele teve que se contrair na espessura. O modelo antigo, que só foi treinado para esticar, entrou em pânico matemático, criou uma "singularidade" (um número infinito) e a simulação travou. Foi como tentar dirigir um carro que só sabe andar para frente e tentar fazer uma marcha-ré: o motor quebra.
• O Modelo Novo (Descoberto pelo Agente): Como o Agente Físico forçou a fórmula a respeitar a estabilidade termodinâmica, o modelo novo aguentou o tranco. Ele previu corretamente que, ao ser esticado, o material ficaria muito duro na direção oposta, mantendo a simulação estável e funcionando até o final.

Resumo em uma frase

Os autores usaram a "inteligência" de um chatbot para ensinar um computador a descobrir novas leis da física que não apenas imitam os dados experimentais, mas que respeitam as leis do universo, garantindo que as simulações de engenharia não falhem no momento mais crítico.

É como ter um assistente que não apenas escreve o código, mas garante que o prédio que você está projetando não vai desabar quando o vento soprar de um ângulo que você não esperava.

Resumo técnico

Título: Regressão Simbólica Orientada à Engenharia: LLMs como Agentes de Física para a Descoberta de Leis Constitutivas Prontas para Simulação

1. Problema e Contexto

A descoberta de leis constitutivas para materiais complexos enfrenta historicamente uma dicotomia entre duas abordagens, ambas com limitações críticas para aplicações de engenharia:

• Abordagens Baseadas em Dados de Alta Fidelidade: Utilizam dados experimentais ricos (ex: correlação digital de imagem - DIC) e redes neurais (PINNs). Embora precisas, exigem equipamentos caros, processamento complexo e frequentemente resultam em modelos "caixa-preta" sem interpretabilidade física clara.
• Ajuste de Engenharia Tradicional: Baseia-se em calibrar modelos analíticos pré-definidos (ex: Ogden, Yeoh, Mooney-Rivlin) em dados uniaxiais. O problema crítico é o "gap de ajuste-simulação": modelos otimizados apenas para minimizar o erro de ajuste (MSE) frequentemente violam restrições físicas fundamentais (como estabilidade de Drucker ou convexidade) fora da faixa de calibração. Isso leva a falhas de convergência catastróficas em simulações de Elementos Finitos (FEM) sob condições de contorno complexas (ex: compressão transversal severa).

O objetivo do trabalho é preencher essa lacuna, criando um método que utilize dados experimentais padrão (baixo custo) para descobrir leis constitutivas que sejam simultaneamente precisas e numericamente robustas (prontas para simulação).

2. Metodologia: Framework EO-SR

Os autores propõem o Framework de Regressão Simbólica Orientada à Engenharia (EO-SR). A inovação central é o uso de Grandes Modelos de Linguagem (LLMs) não como geradores de texto, mas como "Agentes Informados pela Física".

A arquitetura é composta por três módulos acoplados:

1. Parser de Dados: Padroniza entradas experimentais heterogêneas em tensores numéricos.
2. Injetor de Habilidades (Skill Injector): O núcleo da inovação. Um LLM (Gemini Pro) atua como um especialista de domínio. Recebendo um descritor natural (ex: "Hiperelasticidade Isotrópica"), o agente sintetiza uma tupla de "Habilidade" ($S = \{T, O, C\}$):
   • $T$ (Transformação): Define variáveis objetivas (ex: invariantes de deformação) para garantir a indiferença de quadro (frame indifference).
   • $O$ (Operadores): Filtra o espaço de busca, excluindo funções não físicas (ex: senoides para materiais que endurecem monotonicamente) e incluindo funções adequadas (ex: exponenciais, racionais).
   • $C$ (Restrições): Gera automaticamente desigualdades matemáticas baseadas em princípios físicos, como a estabilidade de Drucker (convexidade global da energia de deformação).
3. Motor de Evolução Simbólica: Executa um algoritmo genético para buscar equações que minimizem uma função de perda composta:
   $$\min \left( L_{fit} + \lambda_{reg}\Omega(f) + \sum \lambda_c P(c, f) \right)$$
   Onde $P(c, f)$ é uma penalidade por violação de restrições físicas (ex: violação da convexidade).

Seleção Assistida por Agente: Após a busca, o LLM reavalia os candidatos no topo do Pareto. Ele rejeita soluções matematicamente complexas e não convexas (que podem ter erro baixo mas falhar em FEM) em favor de estruturas analíticas que garantam estabilidade intrínseca (ex: termos racionais com singularidades físicas).

3. Caso de Estudo e Resultados

O framework foi validado na modelagem hiperelástica de materiais semelhantes a borracha utilizando o conjunto de dados clássico Treloar (dados uniaxiais e biaxiais).

Descoberta do Modelo

O framework descobriu uma lei constitutiva híbrida (Eq16) que combina:

• Uma base linear Mooney-Rivlin (para pequenas/médias deformações).
• Um termo racional de bloqueio (locking term) que introduz uma singularidade física, representando o limite de extensibilidade finita das cadeias poliméricas.

A fórmula descoberta é:
$$W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$$
(Onde $\tilde{I}_k = I_k - 3$).

Desempenho e Validação

1. Ajuste e Generalização (Zero-Shot):
   • O modelo foi calibrado apenas em tração uniaxial e biaxial.
   • Na previsão "zero-shot" de Cisalhamento Puro (dados não usados no treino), o modelo EO-SR superou o modelo Yeoh (N=3), capturando com precisão a resposta do material sem superestimar o endurecimento (overfitting polinomial).
2. Consistência Termodinâmica:
   • O modelo descoberto garante convexidade incondicional (matriz Hessiana positiva definida) em todo o domínio, ao contrário de soluções não restringidas que apresentaram regiões de curvatura negativa (instabilidade).
3. Validação em Elementos Finitos (FEM):
   • Teste de Resistência: Simulação de um espécime com entalhes duplos sob grandes deformações, envolvendo tração, cisalhamento e compressão transversal severa.
   • Falha do Modelo Padrão: O modelo Ogden (N=3), padrão da indústria, falhou na convergência devido a uma singularidade numérica na compressão transversal (causada por um expoente negativo otimizado apenas para tração).
   • Sucesso do EO-SR: O modelo descoberto manteve a convergência robusta. O termo racional atuou como uma "parede de endurecimento" física, impedindo a inversão de elementos e garantindo uma matriz de rigidez bem condicionada.

4. Contribuições Principais

1. Arquitetura de Descoberta Baseada em Habilidades: Transforma a regressão simbólica de um "ajustador de curvas" em um motor de descoberta governado pela física, usando LLMs para traduzir princípios abstratos em restrições executáveis.
2. Ponte entre Ajuste e Simulação: Demonstra que a injeção de restrições termodinâmicas (estabilidade de Drucker) no processo de descoberta elimina o risco de modelos que funcionam em gráficos, mas falham em simulações numéricas.
3. Descoberta de Formas Ótimas: Identificação de um modelo híbrido (Linear + Racional) que supera os padrões industriais em generalização e robustez numérica, com interpretabilidade física clara.

5. Significado e Implicações

Este trabalho estabelece um novo paradigma para a "IA para a Ciência" (AI for Science):

• Agente como Guardião Teórico: Os LLMs não são apenas geradores de código, mas agentes que garantem a consistência teórica, preenchendo a lacuna semântica entre leis físicas e lógica de otimização.
• Acessibilidade: Permite a descoberta de leis constitutivas de alta qualidade utilizando dados experimentais padrão (acessíveis a engenheiros), sem a necessidade de equipamentos de medição de campo completo caros.
• Escalabilidade: A arquitetura modular de "Habilidades" sugere que o método pode ser estendido para outros domínios complexos, como plasticidade, anisotropia em tecidos biológicos e dinâmica de fluidos, tornando-se uma ferramenta universal para o fechamento de equações constitutivas.

Em resumo, o EO-SR demonstra que é possível automatizar a descoberta de modelos matemáticos que são não apenas precisos em relação aos dados, mas também fisicamente válidos e numericamente estáveis para aplicações de engenharia crítica.