[論文レビュー] Enhanced physics-informed neural networks for hyperelasticity

Diab Abueidda, Seid Korić+2 more|arXiv (Cornell University)|May 24, 2022

Model Reduction and Neural Networks被引用数 5

ひとこと要約

本稿では、強形式の残差、ポテンシャルエネルギー、および構成則の一貫性を統合したマルチロス関数を用い、係数変動係数重み付けを用いて損失項を動的にバランスさせる、3次元超弾性に対するメッシュフリーな物理情報付きニューラルネットワーク（PINN）を提案する。このフレームワークは、ラベル付きデータやメッシュ生成を必要とせず、標準的なディープコロケーション法やディープエネルギー法よりも優れた精度（L₂誤差 0.0091）を達成し、勾配が急な領域でも優れた性能を示す。

ABSTRACT

Physics-informed neural networks have gained growing interest. Specifically, they are used to solve partial differential equations governing several physical phenomena. However, physics-informed neural network models suffer from several issues and can fail to provide accurate solutions in many scenarios. We discuss a few of these challenges and the techniques, such as the use of Fourier transform, that can be used to resolve these issues. This paper proposes and develops a physics-informed neural network model that combines the residuals of the strong form and the potential energy, yielding many loss terms contributing to the definition of the loss function to be minimized. Hence, we propose using the coefficient of variation weighting scheme to dynamically and adaptively assign the weight for each loss term in the loss function. The developed PINN model is standalone and meshfree. In other words, it can accurately capture the mechanical response without requiring any labeled data. Although the framework can be used for many solid mechanics problems, we focus on three-dimensional (3D) hyperelasticity, where we consider two hyperelastic models. Once the model is trained, the response can be obtained almost instantly at any point in the physical domain, given its spatial coordinates. We demonstrate the framework's performance by solving different problems with various boundary conditions.

研究の動機と目的

• 高勾配を示す超弾性問題の解法における従来のPINNの限界を是正すること。
• ラベル付きデータやメッシュ生成を不要とする、独立運用可能なメッシュフリーPINNフレームワークの開発により、それらの必要性を排除すること。
• 強形式の残差、ポテンシャルエネルギー、構成則の一貫性を統合した統一ロス関数を用いることで、複雑な固体力学問題における解の精度を向上させること。
• 係数変動係数重み付けを用いて複数のロス項を動的にバランスさせることで、学習の安定性と収束性を向上させること。

提案手法

• 平衡方程式の強形式の残差、全ポテンシャルエネルギー、構成モデルの一貫性項を統合したマルチロス関数を定式化する。
• メッシュや要素接続性に依存しない神経ネットワークを用いて変位場を近似する。
• 学習中に各ロス項に動的重みを割り当てるための係数変動係数重み付け方式を採用し、最適化の安定性を向上させる。
• 高勾配特徴を捉える能力を向上させるために、フォーリエ特徴エンコーディングを適用する。
• 段階的に訓練データの複雑さを増やすカリキュラム学習戦略を実装し、収束性を改善する。
• ラベル付きデータを一切使用せず、偏微分方程式（PDE）と境界条件のみを用いて3次元超弾性の境界値問題を解く。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータやメッシュ生成を必要とせず、3次元超弾性において局所的な応力および変位勾配を正確に捉えることができるPINNフレームワークは、どのように設計可能か？
• RQ2 超弾性問題において、標準的なディープコロケーション法やディープエネルギー法と比較して、より高い精度を達成するロス関数の構成は何か？
• RQ3 係数変動係数を用いた適応的損失重み付けは、固体力学におけるPINNの学習収束性と解の精度をどのように向上させるか？
• RQ4 メッシュフリーなPINNは、複雑な境界条件において、従来の有限要素法（FEA）や既存のPINN手法と比較して、精度および推論速度の面で優位性を示せるか？
• RQ5 強形式の残差とポテンシャルエネルギー最小化を組み合わせることで、PINN解のロバストネスと一般化性能にどのような影響を与えるか？

主な発見

• 提案されたPINNは、局所的引っ張り荷重が作用する単位立方体に対して、変位場のL₂誤差が0.0091に達し、ディープコロケーション法（0.085）やディープエネルギー法（0.034）を著しく上回った。
• メッシュ生成やラベル付きデータを必要とせず、neo-Hookean超弾性問題においても高勾配の応力および変位場を正確に捉えることに成功した。
• 係数変動係数重み付け方式は、複数のロス項を効果的にバランスさせ、固定重みアプローチと比較して学習の安定性と収束性を向上させた。
• メッシュフリーな性質のおかげで、有限要素法で一般的に見られる要素歪みや体積ロックインの問題が解消された。
• モデルは高速な推論能力を示し、学習後は任意の空間点でほぼ即座に解を評価可能となった。
• 微調整可能な転移学習が可能であることが示された。訓練済み重みを、わずかに異なる類似問題の初期化に再利用することで、学習時間を短縮できた。