DOI: https://doi.org/10.1016/j.cma.2026.118792
PMID: https://pubmed.ncbi.nlm.nih.gov/42344807
تاريخ النشر: 2026-02-11
المؤلف: Jihong Wang وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
في هذه الدراسة، يقدم المؤلفون مشغل الشبكة العصبية البيريديناميكية الأحادية (MPNO)، وهو نهج جديد مدفوع بالبيانات لنمذجة استجابات المواد غير الخطية المعقدة باستخدام المشغلين العصبيين. يتناول MPNO التحدي المتمثل في ضمان وجود نماذج تركيبية جيدة التحديد، والتي غالبًا ما تعاني من حلول غير فيزيائية في المحاكاة. من خلال دمج شبكة تدرج أحادية، يضمن النموذج تفرد الحل من خلال تقعر دالة كثافة الطاقة المتعلمة، لا سيما في أنظمة التشوه الصغيرة.
تم التحقق من أداء MPNO باستخدام كل من مجموعات البيانات الاصطناعية والحقيقية. تظهر النتائج أنه مع انخفاض حجم شبكة القياس، يتقارب النموذج المتعلم مع الحقيقة الأساسية، سواء من الناحية النظرية أو العددية. علاوة على ذلك، يتفوق MPNO على الشبكات العصبية التقليدية في قدرات التعميم، حيث يظهر تقليل أخطاء حلول الإزاحة في المهام اللاحقة التي تتضمن تحميلات جديدة وغير مرئية. يتم توضيح القابلية العملية لـ MPNO من خلال استخدامه الناجح في تعلم نموذج موحد من بيانات الديناميكا الجزيئية، مما يبرز قوته وعبقريته في التطبيقات الواقعية.
مقدمة
تناقش مقدمة الورقة أهمية متزايدة لتعلم الأنظمة الفيزيائية المعقدة من البيانات عبر مختلف التخصصات العلمية والهندسية، مثل الهندسة الطبية الحيوية، نمذجة الاضطراب، التنبؤ بالطقس، ونمذجة المواد. غالبًا ما تفتقر النماذج التركيبية التقليدية، التي تعتمد على معادلات تفاضلية جزئية محددة مسبقًا (PDEs)، إلى المرونة والصلابة اللازمة للتطبيقات الواقعية، لا سيما في توصيف المواد الجديدة من البيانات التجريبية. للتغلب على هذه القيود، ظهرت نماذج تركيبية مدفوعة بالبيانات، تستخدم تقنيات مثل التعلم الآلي المدعوم بالفيزياء والتعلم العميق لاكتشاف المعادلات التركيبية غير المعروفة بدلاً من الاعتماد على الخرائط الثابتة.
يقدم المؤلفون مشغل الشبكة العصبية البيريديناميكية الأحادية (MPNO)، وهو نهج جديد يضمن وجود نماذج تركيبية جيدة التحديد من خلال تحديد العلاقة التركيبية كشبكة تدرج أحادية. لا يضمن هذا التشكيل فقط تقعر طاقة التشوه للبيريديناميكا غير الخطية، بل يسمح أيضًا بالتقاط استجابات المواد المعقدة دون معرفة مسبقة بالمصطلحات الثابتة. تؤسس الورقة شرطًا كافيًا لتفرد الحل في البيريديناميكا غير الخطية المعتمدة على الروابط وتقدم خوارزمية تعلم تستنتج العلاقة التركيبية جنبًا إلى جنب مع دالة نواة من البيانات. يتم إثبات فعالية MPNO من خلال مجموعات بيانات اصطناعية، مما يظهر قدرته على التقارب نحو حلول الحقيقة الأساسية والحفاظ على الصلابة في سيناريوهات التحميل غير المرئية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج دقة تعلم نموذجهم، مع التركيز بشكل خاص على الدوال \( g(\lambda) \) و \( k(\xi) \) المستمدة من البيانات بحجم شبكة \( \Delta x = 2^{-8} \). تظهر الدوال المتعلمة أنها تقارب الحقيقة الأساسية بشكل وثيق، مع أخطاء نسبية \( l^2 \) تبلغ 0.613% و 0.737% لمثالين. تضمن عملية التطبيع إمكانية التعرف، مما يؤدي إلى متوسط خطأ نسبي \( l^2 \) يبلغ 0.161% للمثال الأول و 0.016% للمثال الثاني عند مقارنة القيم المتوقعة \( b \) مع نظيراتها الحقيقية.
علاوة على ذلك، يقيم المؤلفون أداء استراتيجيتهم ذات المرحلتين مقابل محلل غير خطي ذو مرحلة واحدة. تظهر الطريقة ذات المرحلتين دقة متفوقة، لا سيما بالقرب من الحدود، كما يتضح من انخفاض متوسط الأخطاء النسبية \( l^2 \) عبر 50 عينة اختبار لكلا المثالين. تشير النتائج إلى أن الطريقة ذات المرحلتين تنتج حلاً أكثر اتساقًا يتماشى عن كثب مع حقل الإزاحة الحقيقي \( u \). بالإضافة إلى ذلك، يتم تقييم قدرة التعميم للنموذج المتعلم باستخدام بيانات خارج التوزيع، مما يكشف أن استراتيجية التهيئة في محلل المرحلتين تعزز الدقة بشكل كبير، كما هو ملخص في الجدول 1.
المناقشة
تتناول قسم المناقشة في ورقة البحث نموذج البيريديناميكا، الذي يعيد صياغة ميكانيكا الاستمرارية باستخدام المعادلات التكاملية ويقدم إطارًا غير محلي يتميز بمقياس طول الأفق، $\delta$. تستخدم الدراسة صياغة بيريديناميكية قائمة على الروابط، حيث يتم تعريف التفاعل بين نقاط المادة من خلال إزاحتها النسبية، مما يؤدي إلى تمدد رابط $\lambda$ الذي يحدد التشوه. يتم تمثيل الطاقة المخزنة في هذه الروابط بواسطة ميكروإمكان $w(\lambda, \xi)$، وهو أمر حاسم لاشتقاق دالة القوة الزوجية وضمان تلبية قوانين الحفظ. يؤكد المؤلفون على بساطة النهج القائم على الروابط مع الإشارة إلى أهمية ضمان تفرد الحلول، لا سيما تحت افتراضات التشوه الصغيرة.
علاوة على ذلك، تقدم الورقة مشغلات الشبكة العصبية البيريديناميكية (PNOs) التي تستخدم الشبكات العصبية لتحديد المعادلات التركيبية، مما يسهل عملية تحويل من حقل الإزاحة المدخل إلى قوى الجسم الناتجة. تم تصميم مشغلات الشبكة العصبية البيريديناميكية الأحادية (MPNOs) لضمان تفرد الحل من خلال دمج شروط التقعر في بنية الشبكة العصبية. يقدم المؤلفون إطار تعلم يضمن التفرد من خلال تحليل صارم ويقترحون خوارزمية مفصلة لتدريب وتقييم النموذج. كما يناقشون آثار أنظمة التشوه الكبيرة، مشيرين إلى أنه بينما يتم ضمان التفرد تحت التشوهات الصغيرة، لا يزال النهج يمكن أن يوفر ظروفًا أولية قوية لحل مشاكل التشوه الأكبر، وبالتالي يجسر الفجوة بين الرؤى النظرية والتطبيقات العملية في النمذجة المدفوعة بالبيانات.
DOI: https://doi.org/10.1016/j.cma.2026.118792
PMID: https://pubmed.ncbi.nlm.nih.gov/42344807
Publication Date: 2026-02-11
Author(s): Jihong Wang et al.
Primary Topic: Model Reduction and Neural Networks
Overview
In this study, the authors present the monotone peridynamic neural operator (MPNO), a novel data-driven approach for modeling the responses of complex nonlinear materials using neural operators. MPNO addresses the challenge of ensuring well-posedness in learned constitutive models, which often suffer from non-physical solutions in simulations. By incorporating a monotone gradient network, the model guarantees solution uniqueness through the convexity of the learned energy density function, particularly in small deformation regimes.
The performance of MPNO is validated using both synthetic and real-world datasets. The results demonstrate that as the measurement grid size decreases, the learned model converges to the ground truth, both theoretically and numerically. Furthermore, MPNO outperforms conventional neural networks in generalization capabilities, exhibiting reduced displacement solution errors in downstream tasks involving new and unseen loadings. The practical applicability of MPNO is illustrated through its successful use in learning a homogenized model from molecular dynamics data, underscoring its robustness and expressivity in real-world applications.
Introduction
The introduction of the paper discusses the growing importance of learning complex physical systems from data across various scientific and engineering disciplines, such as biomedical engineering, turbulence modeling, weather forecasting, and material modeling. Traditional constitutive models, which rely on predefined partial differential equations (PDEs), often lack the flexibility and robustness needed for real-world applications, particularly in characterizing new materials from experimental data. To overcome these limitations, data-driven constitutive models have emerged, utilizing techniques like physics-informed machine learning and deep learning to discover unknown constitutive equations rather than relying on fixed mappings.
The authors introduce the Monotone Peridynamic Neural Operator (MPNO), a novel approach that ensures well-posedness in constitutive modeling by parameterizing the constitutive relation as a monotone gradient network. This formulation not only guarantees the convexity of the strain energy for nonlinear peridynamics but also allows for the capture of complex material responses without prior knowledge of invariant terms. The paper establishes a sufficient condition for solution uniqueness in nonlinear bond-based peridynamics and presents a learning algorithm that infers the constitutive relation alongside a kernel function from data. The efficacy of the MPNO is demonstrated through synthetic datasets, showcasing its ability to converge to ground-truth solutions and maintain robustness in unseen loading scenarios.
Results
In this section, the authors present the results of their model’s learning accuracy, specifically focusing on the functions \( g(\lambda) \) and \( k(\xi) \) derived from data with a mesh size of \( \Delta x = 2^{-8} \). The learned functions are shown to closely approximate the ground truth, with relative \( l^2 \) errors of 0.613% and 0.737% for two examples. The normalization process ensures identifiability, leading to an average relative \( l^2 \) error of 0.161% for Example I and 0.016% for Example II when comparing predicted values \( b \) with their true counterparts.
Furthermore, the authors evaluate the performance of their two-phase strategy against a one-phase nonlinear solver. The two-phase approach demonstrates superior accuracy, particularly near boundaries, as evidenced by lower average relative \( l^2 \) errors across 50 test samples for both examples. The results indicate that the two-phase method yields a more consistent solution that aligns closely with the true displacement field \( u \). Additionally, the generalization capability of the learned model is assessed using out-of-distribution data, revealing that the initialization strategy in the two-phase solver significantly enhances accuracy, as summarized in Table 1.
Discussion
The discussion section of the research paper elaborates on the peridynamic model, which reformulates continuum mechanics using integral equations and introduces a nonlocal framework characterized by a horizon length scale, $\delta$. The study employs a bond-based peridynamic formulation, where the interaction between material points is defined by their relative displacements, leading to a bond stretch $\lambda$ that quantifies deformation. The energy stored in these bonds is represented by a micropotential $w(\lambda, \xi)$, which is crucial for deriving the pairwise force function and ensuring conservation laws are satisfied. The authors emphasize the simplicity of the bond-based approach while noting the importance of ensuring the uniqueness of solutions, particularly under small deformation assumptions.
Furthermore, the paper introduces peridynamic neural operators (PNOs) that utilize neural networks to parameterize the constitutive equations, facilitating a function-to-function mapping from input displacement fields to output body forces. The proposed monotone peridynamic neural operators (MPNOs) are designed to ensure solution uniqueness by incorporating convexity conditions into the neural network architecture. The authors present a learning framework that guarantees uniqueness through rigorous analysis and propose a detailed algorithm for training and evaluating the model. They also discuss the implications of large deformation regimes, noting that while uniqueness is guaranteed under small deformations, the approach can still provide robust initial conditions for solving larger deformation problems, thereby bridging theoretical insights with practical applications in data-driven modeling.