[論文レビュー] Physics-Consistent Neural Networks for Learning Deformation and Director Fields in Microstructured Media with Loss-Based Validation Criteria

Milad Shirani, Pete H. Gueldner+3 more|arXiv (Cornell University)|Mar 6, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

本論文は、エネルギーベースの損失と物理に基づく検証を通じて、準凸性、 ランク1凸性、Legendre-Hadamard 不等式によって energetically 安定な平衡解を保証する、Cosserat 弾性に対する単一ディレクターを持つ物理情報ニューラルネットワークフレームワークを提案する。

ABSTRACT

In this work, we study the mechanical behavior of solids with microstructure using the framework of Cosserat elasticity with a single unit director. This formulation captures the coupling between deformation and orientational fields that arises in many structured materials. To compute equilibrium configurations of such media, we develop two complementary computational approaches: a finite element formulation based on variational principles and a neural network-based solver that directly minimizes the total potential energy. The neural architecture is constructed to respect the fundamental kinematic structure of the theory. In particular, it enforces frame invariance of the energy, satisfies the unit-length constraint on the director field, and represents deformation and director fields through separate networks to preserve their kinematic independence in the variational setting. Beyond satisfying balance laws, however, physically admissible solutions must also correspond to stable energy minimizers. To assess this requirement, we derive the quasiconvexity condition, rank-one convexity condition, and the Legendre-Hadamard inequalities for the Cosserat model and formulate them in a manner suitable for evaluating neural network predictions. These necessary stability conditions provide a physics-based validation framework: network outputs that violate these necessary conditions cannot correspond to stable energy minimizers and can therefore be rejected. In this way, we integrate classical variational stability theory with modern machine-learning solvers, establishing a computational workflow in which equilibrium solutions are not only learned but also assessed for energetic consistency.

研究の動機と目的

• 単位ディレクターを持つCosserat 弾性を用いてマイクロ構造固体を変形–ディレクター結合を捉える。
• 作用総エネルギーを最小化するニューラルネット Solver を含む、変分原理に基づく有限要素法とニューラルネットワークの二つの計算解法を開発する。
• ニューラルネットワーク内でフレーム不変性とディレクターの単位長制約を課し、運動学を保つ。
• 必要な変分安定条件（準凸性、ランク-1 凸性、Legendre-Hadamard）を物理ベースの検証フレームワークとして導出・適用する。

提案手法

• Cosserat 媒質における仮想力の原理を用いて基本平衡法と境界条件を定式化する。
• エネルギーフレーム不変性と単位長制約を課した変形場およびディレクター場を表すニューラルネットアーキテクチャを構築する。
• 総ポテンシャルエネルギーを損失関数として用い、導出された準凸性・ランク-1 凸性・Legendre-Hadamard 条件で安定性を評価する。
• 第一変分と境界項からエネルギーベースの変分条件を導出し、ニューラルネットの出力とリンクさせる。
• ベンチマークと検証のための変分原理に基づく補完的な有限要素法の定式化を提供する。
• 安定性条件をニューラルネット検証に適した形に表現し、エネルギー最小化を満たさない予測を拒否できるようにする。

実験結果

リサーチクエスチョン

• RQ1 単一ディレクターを持つ Cosserat 弾性をデータから学習しつつ、理論の運動学的構造をどう保持するか？
• RQ2 ニューロンネットの予測を、平衡法則を超えるエネルギー最小化条件で検証できるか？
• RQ3 準凸性、ランク-1 凸性、Legendre-Hadamard 不等式は、NNベースの解法に対する実践的検査としてどう翻訳できるか？
• RQ4 フレーム不変性と単位ディレクター制約を課すことが、学習解の安定性と精度にどのような影響を与えるか？

主な発見

• 著者らは、単位ディレクターを持つCosserat媒質に対する必要な安定条件（準凸性、ランク-1 凸性、Legendre-Hadamard 不等式）を定式化した。
• これらの条件が、平衡法則を満たすだけでなく、物理ベースの検証としてニューラルネット出力を評価・活用する方法として示されている。
• 運動学的制約を尊重しつつ総ポテンシャルエネルギーを最小化する、物理的に一貫したNNソルバーを提案。
• 変分力学と機械学習を統合し、平衡解がエネルギー的に一貫することを保証する枠組み。
• 変分原理に基づく有限要素法の定式化が、ニューラルソルバーの補完・検証のために用意されている。