Missing Physics Discovery through Fully Differentiable Finite Element-Based Machine Learning
本文介绍了 FEML，这是一个基于有限元的全微分机器学习框架，它通过将偏微分方程（PDE）求解器嵌入训练过程，发现用于填补缺失物理机制的与配置无关的本构关系，从而实现跨几何形状和边界条件的零样本迁移，并能从合成数据和真实世界数据中恢复出具有可解释性的物理模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图烤出一个完美的蛋糕，但你手里只有半份食谱。你完全了解烤箱的工作原理（热量、定时器、烤盘形状），也清楚你知道自己拥有的食材。然而，那个关键的秘密成分——即面粉与糖如何相互作用以使蛋糕恰到好处地膨胀起来——却是一个谜。在物理学和工程学领域，科学家们每天都面临着完全相同的问题。他们拥有强大的数学规则，称为“偏微分方程”（PDEs），这些规则描述了物体如何运动、升温或弯曲。这些规则就像是烤箱的说明书。然而，描述材料在烤箱内部如何表现的具体“定律”——比如一块金属如何拉伸，或者热量如何在岩石中传递——往往是缺失的，或者过于复杂而无法写成公式。没有这些缺失的定律，科学家就无法预测一座桥梁是否能承受重量，或者一艘航天器能否在重返大气层时幸存下来。
这正是名为 FEML（基于有限元的机器学习）的新型方法所发挥作用的地方，它就像一个超级聪明的侦探，可以在从未品尝过蛋糕的情况下，解开缺失食谱之谜。FEML 不仅仅是在猜测最终结果，它将严谨的物理模拟器与学习型计算机程序结合在一起。它将未知的物理定律视为一个“黑盒”，通过观察整个系统的反应来试图破解它。如果系统是一座桥，FEML 会观察桥在压力下如何弯曲，并以此逆向推导出告诉钢材如何拉伸的隐藏规则。这种方法的精妙之处在于，它不仅仅是为一座特定的桥学习；它学习的是“规则”本身。一旦它弄清楚了钢材的行为方式，这个规则就可以应用于完全不同的形状、尺寸或材料，即使计算机以前从未见过这种特定的设置。这就像是如此深刻地掌握了一门语言的语法，以至于你可以瞬间理解从未听过的句子，而不仅仅是背诵一份短语列表。
这项研究背后的研究人员 Ado Farsi、Nacime Bouziani 和 David A. Ham 引入了这一框架，旨在解决“缺失物理学”的问题。他们构建了一个系统，将高端物理求解器（用于计算结构和热量行为）直接与机器学习模型耦合。其核心创新在于整个系统是“可微的”，这意味着计算机可以精确计算出隐藏规则的微小变化如何影响最终结果，从而使其能够通过试错法，在真实测量数据的引导下进行学习。
在他们的实验中，他们将发现过程处理得像一场难度递增的游戏关卡。首先，他们处理了一个简单的场景：一种在受压时会变软的材料（类似于泡沫）。他们向系统输入了来自简单挤压测试的数据，在测试中已知施加的力以及产生的位移。系统成功学习了描述材料硬度变化的隐藏规则，尽管它从未直接测量内部应力。接下来，他们进入了一个更难的关卡：一种表现出塑性的材料，这种材料在达到一定点后会发生永久变形。在这里，他们使用了一种“渐进式发现”策略。他们提取了已经学到的弹性部分的规则，并将其“冻结”，将其锁定在原位。然后，他们要求系统仅去破解那个“新”的部分：即材料在进一步拉伸时如何发生硬化。通过将问题分解为步骤，系统以极高的准确度学习了复杂的塑性硬化定律。
真正的奇迹发生在他们测试这些习得规则是否具有“迁移性”时。他们将发现的两种规则（弹性软化和塑性硬化）结合在一起，形成了一个单一的“基础模型”。随后，他们将这个模型放入了一个全新的三维模拟中，模拟一个带有奇怪钥匙孔形状槽口的金属棒在受到扭转时的行为。这是一个完全不同的形状，也涉及完全不同于模型训练时的应力类型。令人惊叹的是，该模型几乎以近乎完美的准确度预测了金属棒的行为，且无需任何重新训练。这种“零样本”（zero-shot）迁移证明了该系统学习的是真实的物理规律，而非针对特定形状的技巧。
为了证明这不仅适用于模拟，也适用于现实世界，他们将 FEML 应用于一种钛合金基准测试的真实实验数据。在这次测试中，材料被剪切直至断裂，这一过程涉及塑性硬化和“韧性损伤”（材料在开裂前变弱）。系统直接从嘈杂、混乱的实际实验数据中学习了硬化规则和损伤规则。它成功重现了整个测试曲线，包括材料在断裂前开始软化的微妙部分，其结果与样本的自然波动保持一致。
最后，团队展示了他们可以将训练好的复杂神经网络通过一种称为“符号回归”的技术，转化回简单的、人类可读的数学公式。在一次热传递实验中，系统学习了热导率随温度变化的规则。当他们要求计算机寻找一个简单的方程时，计算机发现了一个幂律公式，该公式与真实的物理定律几乎完全一致，尽管计算机从未被告知该公式应该长什么样。
简而言之，这篇论文展示了一种发现自然界隐藏规律的强大新方法。通过将机器学习直接嵌入物理模拟中，研究人员创造了一种工具，使其能够从间接测量中学习缺失的物理关系，将这些规则推广到新情境，甚至将其表达为清晰的数学公式。这预示着一个未来：我们可以通过让计算机直接从数据中学习游戏规则，来揭开复杂材料和系统的奥秘，从而弥合我们已知知识与构建更安全、更高效技术所需知识之间的鸿沟。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。