Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics

本文提出了一种物理信息驱动的降阶算子学习框架，该框架将平衡神经算子与基于 QR 分解的离散经验插值相结合，在确保力学平衡并实现精确应力预测的同时，大幅降低了三维超弹性微观结构代理模型训练与推理的计算成本。

要点

想象一下，你试图预测一块嵌有水果（比如水果蛋糕）的复杂、颤动的果冻在被推挤时会如何变形和拉伸。在现实世界中，这块“水果蛋糕”是一种由不同部分（如纤维和基体）组成的微观材料。为了理解整个蛋糕的行为，工程师通常必须模拟其中每一小块水果和果冻。这就像试图数清海滩上的每一粒沙来预测潮汐的流动；虽然极其准确，但所需的计算量如此之大，以至于你无法快速或频繁地进行。

本文介绍了一种解决此问题的新颖且巧妙的捷径。其工作原理可分解为以下简单概念：

1. 问题：“细节过多”的瓶颈

通常，为了预测材料的行为，计算机必须求解一个涉及数百万个微小点的庞大谜题。反复执行此操作（例如在设计汽车或桥梁时）既缓慢又昂贵。这就像试图通过手工绘制巨型屏幕上每一个单独的像素来创作一幅杰作。

2. 解决方案：“概括”混乱

作者创建了一种名为EquiNO（平衡神经算子）的方法。你可以将其理解为教导计算机关注“大局”而非每一个微小细节。

• 类比：想象你想描述一群人的人群形状。与其列出每个人的坐标（那是数百万个数字），不如描述人群的模式：“前部密集，后部稀疏，并且有一股向左移动的波浪。”
• 工作原理：计算机学习少数几个描述材料通常如何运动的“模式”（称为模态）。它只需要学习控制这些模式的数字，而不需要学习每个单独点的位置。这就像学习一首歌的旋律，而不是死记硬背每一个音符的时机。

3. “魔法点”技巧（Q-DEIM）

即使有了“大局”概括，在数百万个点上检查数学计算仍然太慢。作者添加了第二个技巧，称为Q-DEIM。

• 类比：想象你是一位老师，正在批改一份 1000 页的试卷。与其阅读每一页来判断学生是否理解概念，你决定只检查 50 个特定的、关键的问题，这些问题能告诉你所需的一切。
• 工作原理：计算机在材料内部识别出极少数几个“魔法点”。它仅在这些特定点上进行繁重的数学计算。由于计算机已经学习了模式（来自步骤 2），检查这几个点就足以判断整个材料的行为是否正确。这将训练过程的速度提高了1,000 倍（三个数量级）。

4. “即时概括”（简化均匀化）

通常，在模拟微小细节后，你必须将它们全部平均化以获得最终结果（例如材料施加的总力）。这通常需要先重建整个混乱的图像。

• 类比：与其重读整本书来写一句话摘要，不如直接查看你在阅读时制作的索引卡片。
• 工作原理：计算机直接从它学习的模式中计算最终的“平均”结果，而无需重建材料完整且混乱的图像。这使得获取最终答案的速度提高了10,000 倍。

5. 结果：快速、准确且符合物理规律

作者在两种不同类型的“水果蛋糕”（具有随机纤维的材料和具有六边形纤维的材料）上测试了该方法。

• 速度：他们在 233 种不同的拉伸场景上训练了模型。训练模型处理所有这些场景所花费的时间，少于传统计算机模拟其中一个场景所需时间的一半。
• 准确性：尽管计算机只观察了几个“魔法点”并学习了少数模式，但它以惊人的准确性预测了材料的应力和运动（误差小于 2%）。
• 可靠性：即使被要求预测未曾见过的场景（外推），该模型也能良好工作，证明它学习的是实际物理规律，而不仅仅是死记硬背数据。

核心结论

本文提出了一种教导计算机预测复杂材料行为的方法，具体通过：

1. 学习运动的模式，而非每一个单独的点。
2. 仅在少数几个关键的**“魔法”点**上检查数学计算。
3. 直接从模式中计算最终结果。

这将一个过去因过于缓慢和昂贵而无法实际使用的过程，转变为可以快速完成的过程，使得在没有超级计算机的情况下为每个测试设计更好的工程材料变得更加容易。

技术摘要

技术摘要：连续介质微观力学中超弹性材料的物理信息降阶算子学习

问题陈述
在多尺度有限元（FE²）模拟中，针对非均质材料，为确定有效行为而反复求解代表性体积单元（RVE）上的边值问题，计算成本极高，尤其是对于非线性、有限应变超弹性材料。虽然基于算子学习的代理模型提供了一条近似函数空间之间映射的途径，但其实际应用常受限于损失评估的高计算成本。在训练过程中，对三维微观结构的全空间离散化进行物理信息损失评估会形成瓶颈，限制了全批量优化的使用，并使该方法在复杂的 3D RVE 中变得不可行。

方法论
作者提出了一种框架，将平衡神经算子（EquiNO）与基于 QR 的离散经验插值方法（Q-DEIM）相结合，以解决上述瓶颈。该方法由三个核心组成部分构成：

1. 带硬约束的降阶表示：
   该框架将 EquiNO 扩展至有限应变超弹性领域。神经网络不再学习全场解，而是仅学习位移波动场和第一 Piola–Kirchhoff 应力的降阶表示的模态系数。

   • 基构建： 位移波动在周期性模态中展开，应力在散度为零的模态中展开。
   • 硬约束执行： 通过构造，预测的波动场满足周期性边界条件，投影后的应力场满足线性动量平衡（平衡）。这消除了在损失函数中为这些约束设置软惩罚项的需求。

2. 超降阶损失评估（Q-DEIM）：
   为了克服在整个域上评估本构响应的成本，作者应用了 Q-DEIM。

   • 对应力基进行列主元 QR 分解，识别出一组少量的“魔术点”（空间配置点）。
   • 物理信息损失用于衡量运动学容许应力（由变形梯度导出）与保持平衡的应力（由应力基导出）之间的一致性，该损失仅在这些选定的点上进行评估。
   • 这种降阶改变了训练过程，使得针对 3D RVE 使用全批量二阶优化（利用 L-BFGS）在计算上变得可行。

3. 降阶均质化：
   宏观量（均质化的第一 Piola–Kirchhoff 应力和材料切线）直接从降阶应力模态计算得出。应力基经过离线平均，使得宏观响应可以从预测的模态系数中恢复，而无需在推理过程中重构完整的局部应力场。

主要贡献

• 扩展至 3D 有限应变： EquiNO 框架成功适应于三维有限应变超弹性 RVE，同时通过构造保留了周期性和平衡约束。
• 通过 Q-DEIM 实现计算效率： Q-DEIM 的集成将物理信息损失的每步训练成本相较于全场评估降低了约三个数量级。这使得此前不切实际的 3D 问题全批量训练成为可能。
• 训练效率： 作者证明，在 233 条无监督加载路径上的训练时间，大约仅为使用标准周期性均质化有限元求解器求解单条加载路径所需时间的一半。
• 直接均质化： 该方法直接从降阶模态恢复均质化应力，在宏观量计算方面，相较于直接全场重构和平均，实现了 $10^3$ 到 $10^4$ 倍的加速。

结果
该框架在两个 3D RVE 上进行了验证：一个具有随机纤维分布，另一个具有六边形纤维排列。两者均被建模为可压缩各向同性超弹性材料。

• 精度： 模型在域内和域外泛化中均实现了高精度。
  • 域内： 使用 20 条快照加载路径和 $2 \times 64$ 网络，随机纤维 RVE 的全场应力误差（$\varepsilon_P$）为 1.09%，均质化应力 $R^2$ 为 0.9997。六边形纤维 RVE 的 $\varepsilon_P = 1.37\%$，$R^2 = 0.9990$。
  • 域外： 当在超出快照范围（基构建限制为 $\|\bar{E}\| \leq 0.4 \|\bar{E}\|_{max}$）的加载路径上进行测试时，模型保持了稳健的性能。对于具有 20 条快照的随机纤维 RVE，全场应力误差为 1.15%，均质化应力 $R^2$ 为 0.9994。
  • 材料切线： 通过自动微分均质化应力计算得到的材料切线也得到了准确预测（例如，最佳随机模型的 $R^2_{\bar{A}} = 0.9976$）。
• 加速因子：
  • 训练（$s_{QDEIM}$）： 损失评估观察到数量级为 $10^3$ 的加速因子。
  • 推理（$s_{hom}$）： 计算均质化应力的加速因子范围为 $10^3$ 到 $10^4$。
• 数据效率： 即使离线快照数量有限（例如 10 条路径），也能获得准确的代理模型，且随着添加更多快照，性能系统性地提升。

意义与主张
本文主张，将约束降阶表示、超降阶损失评估和降阶均质化相结合，使得物理信息算子学习在三维计算微观力学中变得更为实用。通过将优化负担从全场评估转移到少量魔术点和模态系数上，该框架克服了通常限制 3D 非线性设置中算子学习的内存和计算瓶颈。作者将这项工作定位为迈向使高保真微观结构代理模型适用于多尺度模拟的一步，在这些模拟中，直接全场训练受限于成本和内存。他们指出，下一步合乎逻辑的举措是将此框架扩展到涉及历史依赖性的非弹性微观结构。