Federated Scientific Machine Learning Framework for Multi-Scale Inverse Parameter Identification: Application to Nonlocal Strain Gradient Plasticity
本研究引入了一种新颖的反向联邦科学机器学习（I-FedSciML）框架，该框架能够在不集中原始数据的情况下，实现跨多样化微观尺度实验数据集的非局部应变梯度塑性模型参数的隐私保护协作标定，即使在显著的噪声条件下也能实现高预测精度。
原始论文采用 CC BY 4.0 许可（https://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
在人类发丝或一粒沙子的大小尺度上，决定金属弯曲和拉伸方式的规律开始发生变化。在日常世界中，由相同材料制成的厚钢梁和细钢丝在弯曲时表现应当相似；其强度是金属本身固有的属性。但当科学家将金属样本的尺寸缩小到微观水平时，他们发现了一些意想不到的现象：样本越小，它就变得越强韧。一根细小的金属丝比粗的金属丝更能抵抗扭转，而一根微观尺度的梁所表现出的抗弯强度，是经典物理学无法解释的。这种被称为“尺寸相关塑性”的现象，是因为金属的内部结构——特别是那些允许其发生变形的微小缺陷（称为位错）——在样本如此之小时，其积累方式发生了变化。为了预测这些微观结构的行为，工程师们使用复杂的数学模型，其中包含一个特殊的“长度尺度”来解释这种额外的强度。然而，确定这些模型的精确数值一直是一个棘手的难题。用于校准这些模型的数据来自于不同实验室进行的精细实验，这些实验往往针对不同的材料，且数据稀疏且分散。传统上，研究人员必须孤立地分析每一次实验，这往往导致对于材料实际行为的结论存在不确定性或冲突。
一组研究人员现在提出了一种解决这一难题的新方法，即在不移动原始数据的情况下，将这些分散的实验整合在一起。他们开发了一个名为“逆向联邦科学机器学习”的系统，这种方法允许多台计算机在保持各自私密信息安全的同时相互学习。想象一下，一群分布在不同国家的科学家，每人都持有一组关于某种金属的独特实验结果。他们不需要将敏感数据发送到一个可能丢失或被窃取的中央服务器，而是只发送他们从各自数据中学习到的“教训”给一个中央协调器。协调器将这些教训进行混合，以创建一个更智能的、共享的理解，然后将该理解发回给科学家，以优化他们的局部模型。在本研究中，研究人员将这种方法应用于识别非局部应变梯度塑性模型的隐藏参数。他们将每一个独立的实验——无论是薄镍梁、铜丝还是铝箔——都视为数字网络中的一个独立的“客户端”。该系统学会了如何将每个样本的具体几何特征（如厚度和晶粒尺寸）直接映射到使物理模型适用于该特定金属所需的特定数值上。
研究人员使用来自四种不同类型微观实验的真实世界数据测试了这个框架：弯曲退火镍梁、弯曲 LIGA 镍箔、弯曲铝梁以及扭转细铜丝。在每种情况下，系统都成功为每一次实验识别出了一套独特的材料参数，尽管这些数据来源不同，且尺寸和形状各异。对于镍梁，模型学到了材料的强度在很大程度上取决于梁的厚度，能够高精度地重现实验曲线。铜丝的情况也是如此；系统正确预测了扭转不同直径导线所需的力，捕捉到了它们在应力下硬化的微妙差异。结果非常精确，模型的预测与实验测量值的匹配程度极高，统计误差通常小于百分之一。这表明该系统可以有效地学习尺寸如何改变材料行为的底层物理机制，即使数据是杂乱的或来自完全不同的实验设置。
为了确保该方法的稳健性，研究人员还测试了它处理噪声的能力，即模拟现实实验室中发生的微小测量误差。他们在数据中引入了从 1% 到 10% 不等的模拟人工误差，以观察系统是否会失效。即使在存在 10% 噪声（这属于显著的误差）的情况下，该框架依然保持稳定。虽然预测的精确度略有下降，识别出的数值也表现出稍大的波动，但系统仍然捕捉到了材料行为的主要趋势。它并没有崩溃成无意义的结果；相反，尽管存在干扰，它仍能提供可靠的材料属性估计。这种韧性对于现实世界的应用至关重要，因为现实中的实验数据很少是完美的。这项研究证明，建立一个协作式、保护隐私的网络，通过学习多样化且分布式的实验来解决复杂的物理问题是可行的。通过保持数据的本地化并仅分享学习到的见解，这种方法为科学家校准先进材料模型提供了一条新路径，同时无需牺牲其实验结果的安全性和所有权。这项工作并不声称已经解决了材料科学中的所有问题，但它提供了一个理解微观世界行为的强大新工具，一个既尊重不同研究小组界限，又统一了彼此知识的工具。
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。