DOI: https://doi.org/10.1016/j.jcp.2026.114745
تاريخ النشر: 2026-02-05
المؤلف: Hamidreza Eivazi وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تناقش هذه القسم التحديات المرتبطة بالمشكلات متعددة المقاييس في الفيزياء، لا سيما في سياق حل المعادلات التفاضلية الجزئية (PDEs) التي تتطلب حسابات مكثفة لتطبيقات مثل تقدير عدم اليقين وتحسين الطوبولوجيا. لمعالجة هذه التحديات، يقدم المؤلفون مشغل التوازن العصبي (EquiNO)، وهو نموذج بديل مستنير بالفيزياء يفرض شروط التوازن من خلال إسقاط الحلول على دوال أساسية خالية من التباين مشتقة من التحلل المتعامد المناسب (POD). تتيح هذه الطريقة الحفاظ على القيود الفيزيائية، مثل توازن الزخم الخطي، دون الاعتماد على مصطلحات العقوبة أو دوال خسارة معقدة.
الإطار المقترح، الذي يُسمى تعلم مشغل العناصر المحدودة (FE-OL)، يدمج طرق العناصر المحدودة مع تعلم المشغل لمحاكاة سلوك المقياس الدقيق بدقة في ميكانيكا المواد الصلبة. يوضح المؤلفون أن EquiNO يحقق تسريعًا كبيرًا في الحسابات – أسرع بأكثر من 8000 مرة من الطرق التقليدية – مع الحفاظ على دقة عالية، حيث تصل أخطاء متوسط النسبة \(L^2\)-norm إلى 3.57% عبر عناصر الحجم التمثيلية (RVEs). بالمقارنة، يتم تقييم شبكة مشغل مستنير بالفيزياء (VIONet) أيضًا، لكنها تظهر أخطاء أعلى، لا سيما في مكونات إجهاد القص. تشير النتائج إلى أن EquiNO يوازن بشكل فعال بين الأساليب المعتمدة على البيانات والأساليب المستندة إلى الفيزياء، مما يجعله حلاً واعدًا لمحاكاة متعددة المقاييس، مع إمكانية التمديد إلى المواد المعتمدة على الزمن والهندسة المتغيرة لـ RVE في الأبحاث المستقبلية.
مقدمة
تناقش المقدمة مفهوم النمذجة متعددة المقاييس، وهو أمر أساسي لفهم الأنظمة التي تظهر ميزات كبيرة عبر مقاييس زمنية ومكانية متنوعة. هذه الأنظمة شائعة في مجالات متنوعة مثل ميكانيكا المواد الصلبة، والاضطراب، والكيمياء الكمومية، والفيزياء الفلكية. تستخدم النمذجة متعددة المقاييس نماذج متعددة على مقاييس مختلفة لوصف هذه الأنظمة المعقدة بدقة، غالبًا ما تركز على الظواهر الدقيقة. ومع ذلك، فإن المتطلبات الحسابية لحل ميزات المقياس الدقيق يمكن أن تكون باهظة بسبب الحاجة إلى تقسيمات مكانية وزمنية دقيقة. لمعالجة هذه التحديات، ساعدت التقدمات الأخيرة في الطرق متعددة المقاييس، لا سيما تلك المستندة إلى نظرية التجانس، في تسهيل المحاكاة العددية المترابطة على المستويين الماكروسكوبي والميكروسكوبي.
تطبيق ملحوظ للنمذجة متعددة المقاييس هو ضمن الميكانيكا الحاسوبية، حيث تتطلب المواد ذات الهياكل الدقيقة غير المتجانسة، مثل البوليمرات المدعمة بالألياف وسبائك الصلب، اعتبارًا دقيقًا لتأثيرات الهيكل الدقيق على السلوك الميكانيكي. تم تطوير طريقة FE² لتمكين المحاكاة المتزامنة على كل من المقاييس الكبيرة والدقيقة، متجاوزة قيود طرق العناصر المحدودة التقليدية (FEM). بدلاً من تعيين نموذج تكويني على المقياس الكبير، تحدد طريقة FE² كميات الإجهاد والمماس من خلال حل مشكلات القيمة الحدية على عنصر حجم تمثيلي (RVE) وتطبيق تقنيات التجانس العددي. يتم توضيح هذا النهج بشكل أكبر في الأدبيات، بما في ذلك المراجعات الشاملة والمشتقات للهياكل الخوارزمية اللازمة لمثل هذه المحاكاة.
النتائج
في هذا القسم، يقيم المؤلفون فعالية طرق تعلم المشغل المستنير بالفيزياء المقدمة في القسم 4، تحديدًا لمحاكاة عناصر الحجم التمثيلية (RVEs) المختلفة. يتم تقييم أداء هذه الطرق مقارنةً بالتقنيات الرائدة المعروفة. بالإضافة إلى ذلك، تتضمن الدراسة سلسلة من المحاكاة متعددة المقاييس حيث يتم تمثيل المقياس الدقيق باستخدام شبكات المشغل. تتم مقارنة النتائج بتلك التي تم الحصول عليها من طرق العناصر المحدودة المرجعية (FE)، مع التركيز على كل من الدقة والكفاءة الحسابية. تشير النتائج إلى أن الطرق المقترحة تقدم أداءً تنافسيًا، مما يبرز إمكانياتها لتحسين قدرات المحاكاة في سياقات النمذجة متعددة المقاييس.
المناقشة
في هذا القسم، تركز المناقشة على التقدم في النمذجة متعددة المقاييس من خلال دمج تقنيات التعلم العميق والمنهجيات المستنيرة بالفيزياء. لقد أظهر استخدام التعلم العميق (DL) لمحاكاة متعددة المقاييس وعدًا كبيرًا، لا سيما في النمذجة الهجينة حيث تكمل الشبكات العصبية الطرق العددية التقليدية. يمكن لهذه النماذج البديلة المستندة إلى التعلم العميق محاكاة المعادلات التفاضلية الجزئية (PDEs) بسرعة تصل إلى ثلاثة أوامر من حيث الحجم أسرع من الحلول التقليدية، بينما تعزز أيضًا المرونة والدقة. من الجدير بالذكر أن الشبكات العصبية المعززة بالفيزياء (PANNs) تم تطويرها لضمان الامتثال للمبادئ الفيزيائية الأساسية، مثل الاتساق الديناميكي الحراري وتناظر المواد، على الرغم من أنها لا تزال تواجه تحديات في الحفاظ على سلامة العلاقات التكوينية على المقياس الدقيق.
تقدم الورقة مشغل التوازن العصبي (EquiNO)، وهو مشغل عصبي مستنير بالفيزياء مصمم للتنبؤ بالحقول الدقيقة في المشكلات متعددة المقاييس. يتناول EquiNO قيود النماذج البديلة التقليدية من خلال الالتزام بالقيود الفيزيائية الأساسية على المقياس الدقيق، بما في ذلك العلاقات الحركية والتكوينية، فضلاً عن توازن الزخم الخطي. يتيح هذا النهج تدريب النموذج بكفاءة دون الحاجة إلى مجموعات بيانات واسعة، باستخدام نموذج من الدرجة المنخفضة الذي يسقط المعادلات الحاكمة على أوضاع التحلل المتعامد المناسب الخالي من التباين (POD). يتم تقييم المنهجية المقترحة مقابل معايير تعلم المشغل المعتمدة على البيانات الرائدة عبر مجموعة متنوعة من المشكلات المرجعية، مما يوضح فعاليتها في الحفاظ على التوازن وفرض شروط الحدود. بشكل عام، تحدد الورقة نهجًا منظمًا لدمج التعلم المستنير بالفيزياء مع طرق العناصر المحدودة متعددة المقاييس، مما يمهد الطريق لمحاكاة أكثر دقة وكفاءة حسابية في أنظمة المواد المعقدة.
DOI: https://doi.org/10.1016/j.jcp.2026.114745
Publication Date: 2026-02-05
Author(s): Hamidreza Eivazi et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The section discusses the challenges associated with multiscale problems in physics, particularly in the context of solving partial differential equations (PDEs) that are computationally intensive for applications like uncertainty quantification and topology optimization. To address these challenges, the authors introduce the Equilibrium Neural Operator (EquiNO), a physics-informed surrogate model that enforces equilibrium conditions by projecting solutions onto divergence-free basis functions derived from proper orthogonal decomposition (POD). This method allows for the preservation of physical constraints, such as the balance of linear momentum, without relying on penalty terms or complex loss functions.
The proposed framework, termed finite element-operator learning (FE-OL), integrates finite element methods with operator learning to accurately simulate microscale behavior in solid mechanics. The authors demonstrate that EquiNO achieves significant computational speedups—over 8000 times faster than traditional methods—while maintaining high accuracy, with mean relative \(L^2\)-norm errors as low as 3.57% across representative volume elements (RVEs). In comparison, a variational physics-informed operator network (VIONet) is also evaluated, but it exhibits higher errors, particularly in shear stress components. The findings suggest that EquiNO effectively balances data-driven and physics-based approaches, making it a promising solution for multiscale simulations, with potential extensions to time-dependent materials and varying RVE geometries in future research.
Introduction
The introduction discusses the concept of multiscale modeling, which is essential for understanding systems that exhibit significant features across various time and spatial scales. These systems are prevalent in diverse fields such as solid mechanics, turbulence, quantum chemistry, and astrophysics. Multiscale modeling employs multiple models at different scales to accurately describe these complex systems, often focusing on microscale phenomena. However, the computational demands of resolving microscale features can be prohibitive due to the need for fine spatial and temporal discretizations. To address these challenges, recent advancements in multiscale methods, particularly those based on homogenization theory, have facilitated coupled numerical simulations at both macroscopic and microscopic levels.
A notable application of multiscale modeling is within computational mechanics, where materials with heterogeneous microstructures, such as fiber-reinforced polymers and steel alloys, require careful consideration of microstructural effects on mechanical behavior. The FE²-method has been developed to enable concurrent simulations at both macro- and microscales, circumventing the limitations of traditional finite element methods (FEM). Instead of assigning a constitutive model at the macroscale, the FE²-method determines stress and tangent quantities by solving boundary-value problems on a representative volume element (RVE) and applying numerical homogenization techniques. This approach is further elaborated in the literature, including comprehensive reviews and derivations of the algorithmic structures necessary for such simulations.
Results
In this section, the authors assess the efficacy of the physics-informed operator-learning methods introduced in Section 4, specifically for simulating various Representative Volume Elements (RVEs). The performance of these methods is benchmarked against established state-of-the-art techniques. Additionally, the study includes a series of multiscale simulations where the microscale is represented using operator networks. The results are compared to those obtained from reference finite element (FE) methods, focusing on both accuracy and computational efficiency. The findings indicate that the proposed methods offer competitive performance, highlighting their potential for enhanced simulation capabilities in multiscale modeling contexts.
Discussion
In this section, the discussion centers on advancements in multiscale modeling through the integration of deep learning techniques and physics-informed methodologies. The use of deep learning (DL) for multiscale simulations has shown significant promise, particularly in hybrid modeling where neural networks complement traditional numerical methods. These deep-learning surrogates can simulate partial differential equations (PDEs) up to three orders of magnitude faster than conventional solvers, while also enhancing flexibility and accuracy. Notably, physics-augmented neural networks (PANNs) have been developed to ensure compliance with fundamental physical principles, such as thermodynamic consistency and material symmetry, although they still face challenges in maintaining the integrity of microscale constitutive relations.
The paper introduces the Equilibrium Neural Operator (EquiNO), a novel physics-informed neural operator designed to predict microscale fields in multiscale problems. EquiNO addresses limitations of traditional surrogate models by adhering to essential microscale physical constraints, including kinematic and constitutive relations, as well as the balance of linear momentum. This approach allows for efficient model training without the need for extensive datasets, utilizing a reduced-order model that projects governing equations onto divergence-free proper orthogonal decomposition (POD) modes. The proposed methodology is evaluated against state-of-the-art data-driven operator-learning baselines across various benchmark problems, demonstrating its effectiveness in preserving equilibrium and enforcing boundary conditions. Overall, the paper outlines a structured approach to integrating physics-informed learning with multiscale finite element methods, paving the way for more accurate and computationally efficient simulations in complex material systems.