🔬 physics

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

Este estudo introduz um novo framework de aprendizado de máquina científico federado inverso (I-FedSciML) que possibilita a calibração colaborativa e preservadora de privacidade dos parâmetros do modelo de plasticidade de gradiente de deformação não local através de diversos conjuntos de dados experimentais de microescala sem centralizar dados brutos, alcançando alta precisão preditiva mesmo sob condições de ruído significativo.

Autores originais: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

Publicado 2026-08-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na escala de um fio de cabelo ou de um grão de areia, as regras que regem como o metal se dobra e se estica começam a mudar. No mundo cotidiano, uma viga de aço espessa e um fio de aço fino do mesmo material devem se comportar de forma semelhante ao serem dobrados; sua resistência é uma propriedade fixa do próprio metal. Mas quando cientistas reduzem o tamanho de uma amostra de metal ao nível microscópico, eles descobrem algo inesperado: quanto menor a peça, mais forte ela se torna. Um pequeno fio resiste à torção muito mais do que um espesso, e uma viga microscópica resiste à flexão com uma força que a física clássica não consegue explicar. Esse fenômeno, conhecido como plasticidade dependente do tamanho, acontece porque a estrutura interna do metal — especificamente os pequenos defeitos chamados discordâncias que permitem sua deformação — acumula-se de forma diferente quando a amostra é tão pequena. Para prever como essas estruturas minúsculas se comportarão, engenheiros usam modelos matemáticos complexos que incluem uma "escala de comprimento" especial para contabilizar essa resistência extra. No entanto, determinar os números exatos para esses modelos tem sido um problema persistente. Os dados necessários para calibrá-los vêm de experimentos delicados realizados em diferentes laboratórios, muitas vezes em materiais diferentes, e os resultados são escassos e dispersos. Tradicionalmente, os pesquisadores tinham que analisar cada experimento isoladamente, o que frequentemente levava a respostas incertas ou conflitantes sobre o que o material está realmente fazendo.

Uma equipe de pesquisadores propôs agora uma nova maneira de resolver esse quebra-cabeça, reunindo esses experimentos dispersos sem nunca mover os dados brutos. Eles desenvolveram um sistema chamado aprendizado de máquina científico federado inverso, um método que permite que vários computadores aprendam uns com os outros enquanto mantêm suas informações privadas seguras. Imagine um grupo de cientistas em diferentes países, cada um detendo um conjunto único de resultados experimentais sobre um pedaço de metal. Em vez de enviarem seus dados sensíveis para um servidor central onde poderiam ser perdidos ou roubados, eles enviam apenas as "lições" que aprenderam com seus próprios dados para um coordenador central. O coordenador mistura essas lições para criar um entendimento compartilhado e mais inteligente, que é então enviado de volta aos cientistas para refinar seus modelos locais. Neste estudo, os pesquisadores aplicaram essa abordagem ao problema de identificar os parâmetros ocultos de um modelo de plasticidade de gradiente de deformação não local. Eles trataram cada experimento distinto — fosse uma fina viga de níquel, uma folha de níquel LIGA ou uma folha de alumínio — como um "cliente" independente em uma rede digital. O sistema aprendeu a mapear a geometria específica de cada amostra, como sua espessura e tamanho de grão, diretamente para os números específicos necessários para fazer o modelo físico funcionar para aquele pedaço exato de metal.

Os pesquisadores testaram essa estrutura usando dados do mundo real de quatro tipos diferentes de experimentos microscópicos: dobra de finas vigas de níquel recozido, dobra de folhas de níquel LIGA, dobra de vigas de alumínio e torção de fios de cobre finos. Em cada caso, o sistema identificou com sucesso um conjunto único de parâmetros de material para cada experimento, embora os dados viessem de fontes diferentes com tamanhos e formas distintas. Para as vigas de níquel, o modelo aprendeu que a resistência do material dependia fortemente da espessura da viga, reproduzindo as curvas experimentais com um alto grau de precisão. O mesmo ocorreu com os fios de cobre; o sistema previu corretamente quanta força era necessária para torcer fios de diferentes diâmetros, capturando as sutis diferenças em como eles endureciam sob tensão. Os resultados foram notavelmente precisos, com as previsões do modelo coincidindo com as medições experimentais de forma tão próxima que o erro estatístico era frequentemente inferior a um por cento. Isso sugere que o sistema pode efetivamente aprender a física subjacente de como o tamanho altera o comportamento do material, mesmo quando os dados são desordenados ou vêm de configurações muito diferentes.

Para garantir que o método fosse robusto, os pesquisadores também testaram o quão bem ele lidava com o ruído, simulando o tipo de pequenos erros de medição que ocorrem em laboratórios reais. Eles introduziram erros artificiais variando de um por cento a dez por cento nos dados para ver se o sistema falharia. Mesmo com dez por cento de ruído, que é uma quantidade significativa de erro, a estrutura permaneceu estável. Embora as previsões tenham se tornado ligeiramente menos precisas e os números identificados tenham apresentado um pouco mais de variação, o sistema ainda capturou as principais tendências de como os materiais se comportavam. Ele não colapsou em algo sem sentido; em vez disso, forneceu uma estimativa confiável das propriedades do material, apesar da interferência. Essa resiliência é crucial para aplicações no mundo real, onde os dados experimentais raramente são perfeitos. O estudo demonstra que é possível construir uma rede colaborativa e que preserva a privacidade para aprender com experimentos diversos e distribuídos para resolver problemas físicos complexos. Ao manter os dados locais e compartilhar apenas os insights aprendidos, essa abordagem oferece um novo caminho para cientistas calibrarem modelos avançados de materiais sem comprometer a segurança ou a propriedade de seus resultados experimentais. O trabalho não afirma ter resolvido todos os problemas da ciência dos materiais, mas fornece uma nova ferramenta poderosa para entender como o mundo microscópico se comporta, uma que respeita as fronteiras entre diferentes grupos de pesquisa enquanto une seu conhecimento.

Resumo Técnico: Estrutura de Aprendizado de Máquina Científico Federado para Identificação de Parâmetros Inversos Multiescala

Definição do Problema
As teorias de plasticidade clássicas falham em descrever a deformação plástica dependente do tamanho observada em experimentos de microescala (ex: micro-flexão, micro-torção) porque carecem de uma escala de comprimento intrínseca do material. Os modelos de Plasticidade de Gradiente de Deformação (SGP - Strain Gradient Plasticity) abordam isso incorporando gradientes de deformação e discordâncias geometricamente necessárias (GNDs). No entanto, calibrar modelos não locais de SGP permanece um desafio. A escala de comprimento efetiva do material não é frequentemente uma constante fixa, mas depende de características microestruturais (tamanho de grão), tamanho da amostra e modos de deformação. Consequentemente, a resposta do modelo depende de vários parâmetros interdependentes (tensão de referência, módulo de encruamento, expoente de encruamento e relações de escala de comprimento evolutivas).

Os métodos tradicionais de identificação inversa (ex: Atualização de Modelo de Elementos Finitos, Método de Campos Virtuais) tipicamente tratam cada conjunto de dados experimentais de forma independente. Essa abordagem falha em aproveitar a informação entre conjuntos de dados heterogêneos obtidos de diferentes laboratórios, geometrias ou condições de carregamento. Além disso, a escassez de dados de microescala e a potencial necessidade de proteger dados experimentais proprietários ou sensíveis entre grupos de pesquisa distribuídos exigem uma estrutura que possa realizar a calibração colaborativa sem centralizar os dados brutos.

Metodologia
Os autores propõem uma estrutura de Aprendizado de Máquina Científico Inverso Federado (I-FedSciML) projetada para identificar parâmetros de um modelo SGP não local generalizado com uma escala de comprimento variável. A metodologia integra três componentes principais:

Modelo Direto Baseado em Física: O estudo utiliza uma formulação SGP generalizada (Voyiadjis e Abu Al-Rub, 2005) onde a deformação plástica efetiva combina termos locais e dependentes de gradiente. A escala de comprimento do material é formulada como uma função do tamanho da amostra, tamanho de grão e deformação plástica. Soluções analíticas e numéricas são derivadas para micro-flexão (vigas finas) e micro-torção (fios finos) para gerar modelos diretos diferenciáveis ( $\mathcal{F}_{SGP}$ ) capazes de prever respostas de momento–curvatura e torque–torção.
Rede Neural Condicionada pela Geometria: Em vez de usar redes neurais como substitutos (surrogates) de caixa-preta direta para a resposta do material, a estrutura emprega uma rede neural compartilhada como um operador inverso. Esta rede mapeia descritores geométricos normalizados (tamanho de grão $d$ , tamanho da amostra $D$ , e espessura/largura $h$ ) para um vetor de parâmetros SGP específico do cliente ( $\sigma_{ref}, \sigma_0, m$ ). As saídas da rede são restringidas via transformações sigmoides limitadas para garantir a admissibilidade física.
Protocolo de Aprendizado Federado: A estrutura trata cada curva experimental (representando uma geometria e condição de carregamento únicas) como um "cliente" independente.
- Treinamento Local: Cada cliente realiza a otimização local para minimizar a discrepância entre a resposta prevista (gerada pelo modelo direto usando os parâmetros previstos pela rede) e os dados experimentais locais.
- Agregação Global: Um servidor central agrega as atualizações do modelo local usando o algoritmo de Média Federada (FedAvg). Isso permite que a rede inversa compartilhada aprenda um mapeamento global entre geometria e parâmetros sem nunca acessar os dados brutos dos clientes individuais.

Principais Contribuições

Primeira Aplicação de SciML Federado a SGP: Este trabalho apresenta a primeira estrutura de aprendizado de máquina científico federado inverso especificamente para identificar parâmetros de modelos SGP não locais dependentes de tamanho.
Calibração Colaborativa Preservadora de Privacidade: A estrutura permite a calibração colaborativa de modelos constitutivos através de conjuntos de dados distribuídos (diferentes laboratórios, geometrias, materiais) enquanto preserva a privacidade dos dados, mantendo as curvas experimentais brutas locais em cada cliente.
Identificação de Parâmetros Condicionada pela Geometria: O método identifica com sucesso conjuntos de parâmetros distintos e específicos do cliente que contabilizam as características geométricas e microestruturais específicas de cada experimento, em vez de forçar um único conjunto de parâmetros global sobre dados heterogêneos.
Integração de Física Diferenciável: A abordagem incorpora o modelo direto SGP diretamente no ciclo de treinamento, garantindo que os parâmetros identificados sejam fisicamente consistentes com as equações diferenciais governantes da plasticidade de gradiente de deformação.

Resultos
A estrutura foi validada utilizando quatro conjuntos de dados experimentais de microescala:

Vigas de Níquel Recozido (Micro-flexão): Três clientes com variações de espessura e tamanho de grão. A estrutura alcançou valores de $R^2$ entre 0,982 e 0,990. Os parâmetros identificados mostraram que o módulo de encruamento ( $\sigma_0$ ) foi o principal fator para distinguir as respostas, enquanto a tensão de referência ( $\sigma_{ref}$ ) convergiu para limites inferiores.
Folhas de Níquel LIGA (Micro-flexão): Quatro clientes com variações de tamanhos característicos. A estrutura alcançou valores de $R^2$ entre 0,925 e 0,974. Neste caso, $\sigma_{ref}$ mostrou variação significativa dependente do cliente, indicando sua importância para diferenciar essas respostas específicas.
Vigas de Alumínio (Micro-flexão): Dois clientes. A estrutura alcançou $R^2$ de 0,898 e 0,904. O módulo de encruamento novamente desempenhou um papel dominante no ajuste dos dados.
Fios de Cobre (Micro-torção): Cinco clientes com variações de diâmetro de fio. A estrutura alcançou alta precisão com valores de $R^2$ variando de 0,985 a 0,997.

Análise de Sensibilidade ao Ruído:
O estudo avaliou a robustez introduzindo ruído gaussiano sintético (1%, 2,5%, 5% e 10%) nos dados de torção de cobre.

Viés de Parâmetro e Incerteza: À medida que os níveis de ruído aumentaram, o viés dos parâmetros e o desvio padrão também aumentaram. Com 10% de ruído, o viés em $\sigma_{ref}$ atingiu quase 18% para alguns clientes, e a incerteza da previsão ampliou-se.
Capacidade Preditiva: Apesar do aumento do ruído, a estrutura manteve uma capacidade preditiva confiável. Mesmo com 10% de ruído, as previsões médias preservaram as principais tendências dependentes do tamanho, e os intervalos de previsão de 95% permaneceram fisicamente significativos, embora mais amplos.

Significância e Alegações
Os autores alegam que a estrutura I-FedSciML fornece uma rota eficaz e preservadora de privacidade para a calibração colaborativa de modelos constitutivos não locais dependentes de tamanho. O estudo demonstra que:

O aprendizado federado pode lidar com sucesso com a heterogeneidade dos dados experimentais de microescala (diferentes geometrias, materiais e modos de carregamento) sem centralizar dados brutos.
O operador inverso condicionado pela geometria consegue recuperar conjuntos de parâmetros distintos para diferentes clientes enquanto aprende uma relação global unificada entre geometria e comportamento do material.
A estrutura é robusta o suficiente para lidar com ruído de medição realista, mantendo a capacidade de capturar efeitos de endurecimento dependentes do tamanho mesmo sob perturbação significativa de dados.

Este trabalho estabelece uma base para o futuro da modelagem constitutiva colaborativa entre laboratórios distribuídos, abordando as limitações da calibração independente e as barreiras ao compartilhamento de dados na pesquisa científica. Extensões futuras sugeridas pelos autores incluem a incorporação de descritores físicos mais ricos (ex: textura, efeitos de taxa de deformação) e a generalização da abordagem para outros modelos não locais, como dano-plasticidade acoplado e fratura com gradiente aumentado.

Mais como este