[論文レビュー] FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data

Jianheng Tang, Shilong Tao+5 more|arXiv (Cornell University)|Jan 15, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

FilDeepは多価にわたるデータを活用するニューラル演算子フレームワークで、従来の単一忠実度アプローチを超える正確で効率的な大規模弾塑性変形のシミュレーションを可能にする。

ABSTRACT

The scientific computation of large deformations in elastic-plastic solids is crucial in various manufacturing applications. Traditional numerical methods exhibit several inherent limitations, prompting Deep Learning (DL) as a promising alternative. The effectiveness of current DL techniques typically depends on the availability of high-quantity and high-accuracy datasets, which are yet difficult to obtain in large deformation problems. During the dataset construction process, a dilemma stands between data quantity and data accuracy, leading to suboptimal performance in the DL models. To address this challenge, we focus on a representative application of large deformations, the stretch bending problem, and propose FilDeep, a Fidelity-based Deep Learning framework for large Deformation of elastic-plastic solids. Our FilDeep aims to resolve the quantity-accuracy dilemma by simultaneously training with both low-fidelity and high-fidelity data, where the former provides greater quantity but lower accuracy, while the latter offers higher accuracy but in less quantity. In FilDeep, we provide meticulous designs for the practical large deformation problem. Particularly, we propose attention-enabled cross-fidelity modules to effectively capture long-range physical interactions across MF data. To the best of our knowledge, our FilDeep presents the first DL framework for large deformation problems using MF data. Extensive experiments demonstrate that our FilDeep consistently achieves state-of-the-art performance and can be efficiently deployed in manufacturing.

研究の動機と目的

• 材料非線形性と履歴依存性が顕著な弾塑性固体における大変形のモデリングの課題を動機付ける。
• 予測精度と一般化を改善するために、マルチフィ fidelityデータを活用するニューオペレータフレームワーク（FilDeep）を提案する。
• さまざまな荷重および材料パラメータに across deformation fieldsを学習するためのTransformerベースのアーキテクチャ（注意機構を含む）を開発する。
• DeepONet、IDeepONet、FNOなど既存の演算子学習法とFilDeepをベンチマークし、精度と効率の利点を示す。

提案手法

• ニューオペレータモデリングを採用し、荷重、材料特性などの入力場を弾塑性固体の変形出力へ写像する。
• 高忠実度の精度と低忠実度のカバレッジをバランスさせて一般化を広げるためにマルチフィ fidelityデータを組み込む。
• 注意機構を持つTransformerスタイルのアーキテクチャを用いて、変形場の複雑な依存関係を捉える。
• DeepONet、IDeepONet、FNOなどのベースライン演算子学習法と比較して性能ギャップを評価する。
• 大規模変形を含むベンチマークで評価し、頑健性と計算効率を実証する。

実験結果

リサーチクエスチョン

• RQ1 FilDeepは多様な荷重シナリオと材料パラメータの下で大規模弾塑性変形をどれだけ正確に予測できるか？
• RQ2 マルチフィ fidelityデータが変形予測の精度と一般化に与える影響は何か？
• RQ3 Transformerベースのニューオペレータ手法はこの文脈で既存の演算子（DeepONet、IDeepONet、FNO）とどう比較されるか？
• RQ4 FilDeepは実用的なエンジニアリングスケールの問題に対して有利な精度-効率のトレードオフを達成できるか？

主な発見

• FilDeepは、基準演算子モデルに対して大規模弾塑性変形の予測精度を向上させる。
• マルチフィ fidelityデータの組み込みは、未知の材料パラメータや荷重条件に対する一般化を高める。
• Transformerベースのアーキテクチャは、変形場の複雑な空間・荷重依存性を効果的に捉える。
• DeepONet、IDeepONet、FNOと比較して、FilDeepは選択したベンチマークで有利な精度と効率を提供する。
• このアプローチは、複数の忠実度レベルを必要とするスケーラブルなシミュレーションワークフローの可能性を示す。