🤖 AI

A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation

本文提出了一种基于物理的神经网络框架，通过利用输入凸神经网络构建以变形和熵为变量的内能与耗散势，实现了无需混合凸性约束且自动满足热力学第二定律的完全耦合热力学本构模型发现。

原作者： Hagen Holthusen, Paul Steinmann, Ellen Kuhl

发布于 2026-03-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Hagen Holthusen, Paul Steinmann, Ellen Kuhl

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

这篇论文讲述了一个非常有趣的故事：科学家如何教人工智能（AI）去理解**“当物体被拉伸、挤压或加热时，它内部到底发生了什么”**。

想象一下，你手里拿着一块橡皮泥。当你拉伸它时，它会变热；当你松开手，它又会慢慢变凉。同时，它还会储存能量，或者把能量浪费掉（变成热量）。在物理学中，描述这种复杂行为非常困难，因为涉及到的变量（如温度、变形、熵）互相纠缠，就像一团乱麻。

这篇论文提出了一种**“凸优化路线”**（Convex Route），用一种更聪明、更简单的方法让 AI 学会这些物理规律。

以下是用通俗语言和比喻对这篇论文的解读：

1. 核心难题：传统的“记账法”太复杂

在传统的物理模型中，科学家通常使用一种叫**“亥姆霍兹自由能”**（Helmholtz energy）的东西来给系统“记账”。

比喻：这就像你要同时管理两个完全相反的账户：一个账户要求“越存越多”（凸性），另一个账户却要求“越存越少”（凹性）。
问题：当 AI 试图学习这种模型时，它经常搞混这两个规则，导致算出来的结果不符合物理定律（比如能量凭空消失或产生）。这就好比让一个会计同时遵守“必须赚钱”和“必须亏钱”的矛盾指令，最后账目肯定对不上。

2. 新方案：换一种“记账”方式

作者们决定抛弃那个复杂的“亥姆霍兹自由能”，转而使用两个更直观的概念：

内能（Internal Energy）：物体内部储存的总能量。
耗散势（Dissipation Potential）：物体在运动或传热过程中“浪费”掉的能量（比如摩擦生热）。

比喻：
- 以前是用一个**“跷跷板”**（一边高一边低，很难平衡）来描述世界。
- 现在，他们换成了**“两个碗”**。
  - 第一个碗装**“内能”：这个碗必须是凸**的（像个碗底），意味着你往里面加东西，能量总是稳定增加的。
  - 第二个碗装**“耗散”：这个碗也必须是凸**的，意味着能量损耗总是有规律的。
- 好处：两个碗都是“凸”的，AI 只需要学会怎么把东西稳稳地放进这两个碗里，不需要再去处理那些让人头大的“凹凸不平”的矛盾规则。这大大降低了 AI 犯错的可能性。

3. 巧妙的“侦探”技巧：温度是线索，熵是谜底

在实验中，我们能直接测量的是温度（比如用手摸一下热不热），但很难直接测量熵（一种描述系统混乱程度的抽象物理量）。

传统做法：通常需要先知道熵，才能算出温度。
这篇论文的做法：
- 他们把温度当作**“侦探手中的线索”**（独立变量）。
- 让 AI 根据温度和变形，反推出内部的“熵”是多少。
- 比喻：就像侦探通过观察现场的“脚印”（温度）和“天气”（变形），推断出“嫌疑人是谁”（熵）。虽然没直接看到嫌疑人，但通过严密的逻辑（物理定律），AI 能准确猜出他长什么样。

4. AI 的“骨架”：输入凸神经网络（ICNN）

为了让 AI 永远不违反物理定律，作者们给 AI 设计了一种特殊的**“骨架”**（网络架构）。

比喻：普通的 AI 像是一个**“自由画家”**，想怎么画就怎么画，可能会画出违背重力的苹果。
这篇论文的 AI 像是一个**“戴着镣铐的舞者”。它的“镣铐”就是输入凸神经网络（ICNN）**。这种结构强制规定：无论输入什么数据，输出的能量曲线必须像碗底一样平滑向上，绝对不能出现奇怪的凹陷。
结果：AI 画出来的任何模型，天生就符合热力学第二定律（能量不会凭空产生或消失），不需要事后去修补。

5. 实验成果：从橡皮泥到弹簧

作者们用这个方法测试了多种情况：

纯热传导：就像一块砖头，一边热一边冷，热量怎么流动。AI 成功学会了热传导的规律。
猪组织（生物软组织）：模拟人体组织在不同温度下的拉伸。AI 学会了温度越高，组织越软（变软）的规律。
填充橡胶：模拟汽车轮胎。AI 学会了橡胶在不同温度下的表现。
带孔的钢板（结构测试）：这是一个复杂的场景，既有拉伸又有加热。AI 不仅学会了局部的反应，还能预测整个结构的受力情况，就像它真的“理解”了物理，而不仅仅是死记硬背数据。

6. 总结与启示

核心贡献：这篇论文证明了，如果我们换一种物理视角（用内能和耗散代替自由能），并给 AI 穿上“物理合规”的紧身衣（ICNN），AI 就能更稳定、更准确地学会复杂的物理规律。
局限性：虽然 AI 很聪明，但如果实验数据本身有缺失（比如没考虑到热胀冷缩），AI 也学不到完美的模型。就像侦探如果只看到一半的线索，很难还原真相。
未来：这种方法为设计新材料、预测材料在极端环境下的表现提供了强大的新工具。

一句话总结：
这篇论文教 AI 用**“两个凸碗”（内能和耗散）代替了“一个跷跷板”**（自由能）来理解物理世界，让 AI 在不需要人类手把手教的情况下，就能自动发现既符合物理定律、又能准确预测材料行为的“新公式”。

这是一份关于论文《A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation》（热力学凸性路径：学习内能与耗散）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在完全耦合的热力学（thermomechanics）中，构建既符合热力学原理又能捕捉复杂耦合响应的本构模型是一个长期存在的难题。
现有方法的局限性：
- 传统的基于**亥姆霍兹自由能（Helmholtz energy）**的机器学习方法通常要求能量函数在变形梯度上具有凸性，而在温度上具有凹性（混合凸凹性）。在神经网络参数化中直接强制这种混合曲率条件非常困难且非平凡。
- 现有的强约束网络架构主要集中在热弹性（thermoelasticity）领域，缺乏对包含耗散（dissipation）的完全耦合热力学过程（如不可逆热效应）的通用框架。
- 数据驱动方法往往难以在无需熵（entropy）数据的情况下，仅利用可观测的温度场来保证热力学一致性。
研究目标：开发一种基于物理的神经网络框架，用于发现完全耦合热力学中的本构模型。该框架需避免混合凸凹性约束，直接处理不可逆过程，并仅依赖可观测的温度作为独立变量。

2. 方法论 (Methodology)

该论文提出了一种基于**内能（Internal Energy, $e$ ）和耗散势（Dissipation Potential, $\phi$ ）**的凸性路径，而非传统的亥姆霍兹自由能。

2.1 理论框架

状态变量：采用变形梯度 $F$ 和熵密度 $s$ 作为状态变量，而非温度 $T$ 。
势函数：
- 内能 $e = e(F, s)$ ：描述能量存储。
- 耗散势 $\phi = \phi(\dot{F}, \dot{s}, g; F, s)$ ：描述不可逆过程（如热传导、粘性）。
热力学一致性：通过 Clausius-Duhem 不等式导出状态方程：
- 应力 $P = \partial e / \partial F$
- 温度 $T = \partial e / \partial s$
- 热通量 $q = \partial \phi / \partial g$
- 这种方法天然满足热力学第二定律，且避免了亥姆霍兹自由能中关于温度的凹性约束。
可观测性处理：虽然模型基于熵 $s$ 构建，但实验中可观测的是温度 $T$ 。模型通过本构关系 $T = \partial e / \partial s$ 内部推断熵，从而无需直接测量熵数据。

2.2 神经网络架构设计

为了在架构层面保证热力学一致性，论文采用了以下策略：

输入凸神经网络 (ICNNs)：
- 利用 FICNN (Fully Input Convex Neural Networks) 构建内能 $e$ ，确保其关于输入变量（变形不变量和熵）的凸性。
- 利用 PICNN (Partially Input Convex Neural Networks) 构建耗散势 $\phi$ ，确保其关于热梯度 $g$ 的凸性，同时允许由 $(F, s)$ 参数化。
物理约束嵌入：
- 客观性与各向同性：通过引入右 Cauchy-Green 张量 $C$ 的主不变量（ $I_1, I_2, J$ ）作为输入，自动满足客观性（Objectivity）和各向同性（Isotropy）。
- 零锚定 (Zero-Anchored)：网络输出在参考状态（无变形、参考温度）下归零，满足归一化条件。
- 严格凸性：强制内能关于熵严格凸，以确保温度与熵的一一对应关系。
辅助熵网络：
- 为了加速训练，引入一个辅助 MLP 来直接预测熵 $s$ ，避免在每次前向传播中迭代求解隐式状态方程 $T - \partial e/\partial s = 0$ 。训练完成后，推理阶段切换回迭代求解器以保证精确性。
损失函数：
- 基于物理的残差损失（平衡方程的弱形式）。
- 正则化项（控制模型复杂度）。
- 辅助损失（强制辅助 MLP 预测的熵与状态方程一致）。

3. 主要贡献 (Key Contributions)

凸性路径的提出：首次提出使用内能和耗散势作为主要本构函数，成功规避了亥姆霍兹自由能框架下混合凸凹性约束的难题，使得在神经网络中强制热力学一致性更加自然和稳健。
完全耦合框架：构建了一个能够处理完全耦合热力学过程（包括热传导、热膨胀、变形生热）的通用框架，不仅限于热弹性。
架构即约束：将热力学原理（凸性、客观性、各向同性、第二定律）直接嵌入神经网络架构中，而非仅作为后处理或软约束，确保了模型“由设计即符合物理”。
无需熵数据：证明了在仅使用温度作为独立观测变量的情况下，通过内部推断熵，依然可以准确学习本构行为。
开源与验证：在合成数据和实验数据（猪组织、填充橡胶）上进行了广泛验证，并公开了代码、数据和训练好的模型。

4. 实验结果 (Results)

论文在四个案例中验证了框架的有效性：

瞬态热扩散（合成数据）：
- 成功学习纯热传导问题的本构行为。
- 结果显示耗散网络主导了响应，内能网络主要捕捉热容效应。
- 辅助 MLP 预测的熵与迭代求解器结果高度一致，证明了其加速训练的有效性。
猪组织实验数据（温度依赖机械行为）：
- 在缺乏热膨胀信息的实验数据下，模型仍能捕捉到温度依赖的软化行为。
- 尽管数据存在不一致性（不同温度下的零应力状态），模型仍能隐式识别出热力学一致的能量结构。
炭黑填充橡胶实验数据：
- 成功复现了橡胶在不同温度下的非线性应力 - 应变响应。
- 在低温区表现良好，但在高温区未能完全捕捉到“热弹性反转”（thermoelastic inversion，即随温度升高变硬）现象，这归因于数据中参考构型定义的缺失或模型假设的差异。
完全耦合结构问题（合成数据）：
- 训练：使用带有椭圆孔的板，结合纯变形、纯热和耦合载荷进行多场景训练。
- 测试：在未见过的弹簧状结构上测试。
- 结果：模型能准确预测节点反力和热流，特别是在存在显著温度场的情况下。
- 局限性：对于由变形引起的微弱自加热效应（温度变化量级极小，约 $10^{-2}$ K），模型难以精确捕捉，表明弱耦合效应的识别受限于数据规模和信噪比。

5. 意义与结论 (Significance & Conclusion)

理论意义：该工作证明了基于熵和内能的凸性框架是热力学本构发现的一条可行且稳健的路径。它解决了传统方法中混合凸凹性难以参数化的痛点。
工程应用：提供了一种无需先验本构模型形式即可从数据中学习复杂热力学行为的工具，特别适用于软物质、生物组织等难以用传统公式描述的领域。
局限性讨论：
- 数据质量至关重要：缺失的热膨胀信息或参考构型定义会限制模型的物理一致性。
- 弱耦合效应识别难：当热 - 力耦合效应（如变形生热）远小于主导热效应时，标准训练策略难以分辨，需要针对性的数据生成或训练策略。
未来展望：未来的工作将集中在改进小尺度耦合效应的识别、扩展到非弹性材料（如塑性、损伤），以及设计针对多物理场的数据生成策略。

总结：这篇论文通过引入内能和耗散势的凸性表示，结合输入凸神经网络，成功建立了一个热力学一致、架构嵌入物理约束的深度学习框架。它不仅能够准确学习复杂的耦合热力学行为，还为解决传统热力学建模中的数学约束难题提供了新的视角。