Learning parameter-dependent shear viscosity from data, with application to sea and land ice

本文提出了一种利用神经网络表示张量不变性的框架，通过回归和偏微分方程（PDE）约束优化两种方法，从数据中学习具有物理一致性（如各向同性框架无关性和耗散势凸性）的非牛顿流体剪切粘度模型，并成功应用于陆冰（Glen定律）和海冰流变学的参数推断。

要点

这篇文章介绍了一项非常酷的研究，我们可以把它想象成是在给地球的“皮肤”——也就是冰川（陆地冰）和海冰（海洋上的冰层）——做一次“智能体检”。

为了让你听明白，我们不用那些复杂的数学公式，而是用几个生活中的比喻来解释。

1. 核心问题：冰到底有多“粘”？

想象一下，你手里有一罐蜂蜜、一碗粥和一盆水。当你用勺子搅拌它们时，你会发现它们的感觉完全不同：蜂蜜很“粘”，很难搅动；水很“稀”，一搅就散。

在物理学中，这种“粘稠程度”叫做粘度（Viscosity）。

科学家们一直想知道，巨大的冰川和海冰在移动时，它们的“粘度”到底是怎么变化的？比如，冰川在温度变化时会变稀吗？海里的冰块挤在一起时，是会变得更硬还是更软？

难点在于： 冰的行为极其复杂。它不是简单的液体，也不是硬邦邦的石头，它是一种“非牛顿流体”。传统的科学家只能靠猜或者靠极其复杂的数学公式去“硬套”，但往往不够准。

2. 我们的新方法：给冰请一个“AI 翻译官”

这篇文章的研究人员想出了一个绝妙的主意：既然公式很难写，那我们就让人工智能（AI）自己去学！

他们开发了一个框架，就像是给 AI 请了一个“翻译官”：

• 以前的方法： 科学家给 AI 一个固定的公式（比如：粘度 = 温度 × 速度），让 AI 去填空。如果公式本身错了，AI 再聪明也救不了场。
• 这篇文章的方法： 科学家不给公式，只给 AI 看“现象”。他们告诉 AI：“你看，这是冰流动的速度，这是它受到的压力，你自己去总结规律吧！”

这个 AI 使用了神经网络，它就像一个拥有无限可能性的“超级画笔”，可以画出任何复杂的曲线，从而捕捉到冰最真实的、最细微的流动规律。

3. 它是怎么工作的？（两个“侦探模式”）

研究人员设计了两种模式来训练这个 AI，就像两个不同视角的侦探：

• 模式 A（压力侦探）： 盯着“力”看。如果 AI 能准确预测出在某种速度下，冰会产生多大的压力，说明它学对了。
• 模式 B（速度侦探）： 盯着“动”看。如果 AI 预测出的冰流动速度，和实际观察到的速度一模一样，说明它也学对了。

4. 实验结果：AI 表现如何？

他们把这个 AI 放在了两个真实的“考场”里：

• 考场一：陆地冰川（模拟冰川运动）
  AI 成功地“猜”出了科学家们用了几十年的经典公式（Glen's Law）。这证明了 AI 不是在瞎猜，它是真的理解了冰的物理特性。
• 考场二：海冰（模拟海上的冰块）
  这个更难！海冰是由无数碎冰块组成的，行为极其混乱。研究人员甚至用了一种极其复杂的“碎冰模拟器”生成了数据，然后让 AI 去学。
  神奇的事情发生了： AI 竟然自己发现了一个规律——当冰块浓度变化时，冰会从一种“越搅越稠”的状态变成“越搅越稀”的状态。这个规律是科学家之前没直接告诉它的！

5. 总结：为什么要关心这个？

你可能会问：“知道了冰有多粘，有什么用？”

这关系到我们的地球命运。如果我们能更准确地知道冰川和海冰是怎么流动的，我们就能：

1. 更准地预测海平面上升： 知道冰川融化流进大海的速度。
2. 更准地预测气候变化： 冰盖的移动直接影响地球的热量分配。

一句话总结： 这项研究通过给 AI “喂”数据，让它学会了用一种全新的、更聪明的方式，去读懂地球冰层的“语言”。

技术摘要

这是一篇关于利用机器学习从数据中推断非牛顿流体流变学参数（粘度）的研究论文。以下是对该论文的详细技术总结：

1. 研究问题 (Problem)

在流体力学中，复杂的物理系统（如冰川、海冰、聚合物溶液等）通常被建模为非牛顿流体。这类系统的核心在于其流变学模型（Rheology），即应力（Stress）与应变率（Strain-rate）之间的关系。

传统的建模方法面临两大挑战：

• 现象学模型：通过简单的解析函数拟合数据，难以捕捉复杂材料的本质。
• 第一性原理推导：从微观动力学推导宏观模型极其困难。

此外，如何确保从数据中学习到的模型既符合物理定律（如各向同性、热力学第二定律），又具有数学完备性（如解的存在性与唯一性），是当前数据驱动建模中的核心难题。

2. 研究方法 (Methodology)

作者提出了一种结合**偏微分方程约束优化（PDE-constrained optimization）与神经网络（NN）**的框架。

A. 物理约束的数学构建

为了确保学习到的模型具有物理意义，作者在构建流变学函数 $\sigma = \sigma(\mathbf{D}_u)$ 时，通过张量不变量（Tensor Invariants）强制执行了以下原则：

1. 各向同性（Isotropy）：通过将应力表示为应变率张量的标量函数组合，确保模型满足坐标系无关性（Frame-indifference）。
2. 耗散势的存在性（Existence of a convex potential）：假设存在一个严格凸的耗散势函数 $j$，这保证了在斯托克斯近似下，物理系统的解是能量泛函的极小值，从而确保了数学上的良定性（Well-posedness）。
3. 热力学第二定律：通过约束粘度函数 $\psi \ge 0$ 且应力随应变率单调递增，确保系统是耗散性的。

B. 神经网络参数化

作者使用神经网络来表示有效剪切粘度 $\psi$。为了处理跨越多个数量级的应变率和外部参数（如温度 $T$ 或浓度 $A$），采用了特殊的网络结构：
$$\psi_\theta(|\mathbf{S}_u|, \lambda) := \exp(\xi(\lambda)) \cdot \chi(\log |\mathbf{S}_u|, \lambda)$$
这种设计利用对数变换来处理量级差异，并利用指数函数确保粘度的正定性。

C. 两种学习策略（损失函数）

1. 基于应力的回归（Stress-based regression）：直接拟合应力-应变率数据。
2. 基于速度的 PDE 约束优化（Velocity-based PDE-constrained optimization）：通过最小化观测速度与 PDE 模拟速度之间的误差来学习。该方法结合了有限元库（Firedrake）和深度学习库（PyTorch），利用伴随法（Adjoint method）高效计算梯度。

3. 核心贡献 (Key Contributions)

1. 物理一致性的框架：不仅是黑盒拟合，而是通过数学推导将各向同性、凸势能和热力学定律嵌入到神经网络的结构中。
2. 高效的数值实现：开发了一种将有限元求解器与自动微分（AD）技术耦合的流程，能够处理复杂的 PDE 约束优化问题。
3. 鲁棒性验证：证明了该方法在存在高噪声数据的情况下，依然能够准确恢复已知的物理定律（如 Glen's law）。
4. 发现未知规律的能力：展示了从离散元法（DEM）模拟数据中直接“发现”未知流变学规律的能力。

4. 研究结果 (Results)

论文通过三个案例验证了方法的有效性：

• 案例 I：陆冰（Land Ice）—— 恢复 Glen's Law

  • 目标：从含噪声的速度和应力数据中恢复随温度变化的 Glen's law。
  • 结论：基于速度的学习比基于应力的学习更鲁棒。即使应力数据有较大误差，通过速度约束学习到的模型也能极高精度地还原物理规律。

• 案例 II：海冰（Sea Ice）—— 恢复粘塑性模型（VP Model）

  • 目标：从含噪声数据中恢复 Hibler 的粘塑性模型。
  • 结论：发现海冰问题与陆冰问题具有不同的噪声敏感性。在海冰模型中，速度数据的噪声对粘度恢复的影响远大于应力数据。

• 案例 III：未知流变学发现 —— 从 DEM 数据中学习

  • 目标：从模拟单个冰块碰撞的离散元（DEM）数据中学习连续介质模型。
  • 结论：模型成功发现了一种非单调行为——随着冰浓度增加，流体表现出从剪切增稠（Shear-thickening）到剪切变稀（Shear-thinning）的转变。这证明了该方法可以发现传统现象学模型无法描述的新物理特性。

5. 研究意义 (Significance)

这项研究为**科学机器学习（SciML）**提供了一个范式：物理定律不应仅仅作为惩罚项（如 PINNs），而应作为模型结构的先验约束。

通过这种方式，研究者可以：

• 降低对高质量、无噪声数据的依赖。
• 确保机器学习模型在超出训练集范围（Extrapolation）时仍能遵循物理规律。
• 为地球科学（如气候预测、冰川动力学）提供更准确、更具解释性的连续介质模型。