[논문 리뷰] Peridynamic Neural Operators: A Data-Driven Nonlocal Constitutive Model for Complex Material Responses

Siavash Jafarzadeh, Stewart Silling외 3명|arXiv (Cornell University)|2024. 01. 11.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 비국소적 물성 법칙을 전체 영역의 공간 측정치에서 데이터 기반으로 학습하면서도 물리적 기본 법칙(예: 객관성 및 운동량 균형)을 내재적으로 유지하는 데이터 기반 신경 연산자 아키텍처인 퍼디나믹스 신경 연산자(PNO)를 제안한다. PNO는 제한적 또는 노이즈가 있는 데이터가 있는 경우조차도 비선형, 이방성, 비균질 거동을 포함한 복잡한 재료 거동을 예측할 때 기존 모델보다 뛰어난 정확도와 일반화 성능을 달성한다.

ABSTRACT

Neural operators, which can act as implicit solution operators of hidden governing equations, have recently become popular tools for learning the responses of complex real-world physical systems. Nevertheless, most neural operator applications have thus far been data-driven and neglect the intrinsic preservation of fundamental physical laws in data. In this work, we introduce a novel integral neural operator architecture called the Peridynamic Neural Operator (PNO) that learns a nonlocal constitutive law from data. This neural operator provides a forward model in the form of state-based peridynamics, with objectivity and momentum balance laws automatically guaranteed. As applications, we demonstrate the expressivity and efficacy of our model in learning complex material behaviors from both synthetic and experimental data sets. We show that, owing to its ability to capture complex responses, our learned neural operator achieves improved accuracy and efficiency compared to baseline models that use predefined constitutive laws. Moreover, by preserving the essential physical laws within the neural network architecture, the PNO is robust in treating noisy data. The method shows generalizability to different domain configurations, external loadings, and discretizations.

연구 동기 및 목표

• 사전 정의된 함수 형태의 한계를 초월하여 복잡한 비선형 및 비균질 재료 거동을 포괄하는 데이터 기반 물성 모델링 프레임워크를 개발하는 것.
• 객관성, 운동량 균형, 불변성 등의 기본 물리 법칙을 신경망 아키텍처에 직접 통합하여 물리적으로 일관된 예측을 보장하는 것.
• 재학습 없이도 다양한 도메인 기하학, 하중, 공간 메쉬에 걸쳐 일반화할 수 있도록 하는 것.
• 기존의 물성 모델보다 낮은 데이터 및 노이즈가 있는 상황에서도 더 높은 예측 정확도와 강건성을 확보하는 것.
• 특히 미세구조적 비균질성을 가진 재료에서 작용하는 비국소 역학에 의해 지배되는 물리 시스템에 대해 신경 연산자의 적용 범위를 확장하는 것.

제안 방법

• PNO는 일반 상태 기반 퍼디나믹스 프레임워크 내에서 구축되며, 퍼디나믹스 힘 상태는 신경망을 사용한 비국소 적분 연산자로 모델링된다.
• 아키텍처는 두 개의 얕은 신경망을 사용한다: 하나는 비국소 커널 $\omega^{NN}$을, 다른 하나는 비국소 모델 형식 $\sigma^{NN}$을 각각 담당하며, 이 둘이 함께 비국소 스칼라 힘 상태를 정의한다.
• 모델은 보존 법칙과 불변성 성질을 연산자 구조에 직접 통합하여 객관성 및 운동량 균형이 자동으로 만족되도록 하여 물리적 일관성을 확보한다.
• 기울기 가능하고 비국소적인 신경 연산자 레이어를 사용하여 변형 상태를 힘 상태로 매핑하는 적분 방정식을 통해 다양한 공간 메쉬에 걸쳐 일반화할 수 있다.
• 훈련 과정은 합성 시뮬레이션 또는 DIC와 같은 실험 측정치에서 얻은 전영역 데이터(예: 변위, 변형률 또는 응력장)를 사용한 지도 학습을 기반으로 한다.
• 프레임워크는 공간 측정치에서부터 엔드 투 엔드 학습을 지원하며, 이로써 모델이 기저의 숨겨진 PDE 시스템의 해 연산자에 대한 서브티튜트로 작용할 수 있다.

실험 결과

연구 질문

• RQ1 신경 연산자 아키텍처는 전체 영역의 공간 측정치에서 비국소적 물성 법칙을 학습하면서도 기본 물리 법칙을 유지할 수 있는가?
• RQ2 기존의 물성 모델과 비교해 복잡한 비선형 및 이방성 재료 거동을 예측할 때 PNO는 어떤 성능을 보이는가?
• RQ3 재학습 없이도 PNO는 다양한 도메인 형상, 하중 및 공간 메쉬에 걸쳐 얼마나 잘 일반화되는가?
• RQ4 PNO는 노이즈가 많거나 데이터가 제한된 상황에서 얼마나 강건한가? 이와 같은 상황에서 모델에 의존하지 않는 신경 연산자보다 우수한가?
• RQ5 PNO는 생체 조직과 같은 재료에서 미세구조적 비균질성과 비국소 효과를 효과적으로 포착할 수 있는가?

주요 결과

• 생체 조직에 대한 변위장을 예측할 때 PNO는 세 가지 기존의 물성 모델보다 뛰어난 성능을 보였으며, 평균 $L^2$-상대 오차는 0.024를 기록했고, 기존 모델의 경우 0.038~0.052 수준이었다.
• 그래핀 예제에서는 PNO가 테스트 데이터에서 상대 $L^2$-오차 0.018을 달성하여 사전 정의된 물성 법칙을 사용하는 기준 모델보다 유의미하게 낮은 오차를 기록했다.
• PNO는 노이즈가 있는 데이터에 대해 강건성을 보였으며, 훈련 데이터에 최대 10%의 노이즈가 포함된 상황에서도 높은 정확도를 유지했다. 이는 아키텍처에 내장된 물리적 불변성 덕분이었다.
• 모델은 새로운 메쉬나 기하학에 적용될 때 재학습 없이도 효과적으로 일반화되었으며, 다양한 도메인 구성과 메쉬에 걸쳐 뛰어난 일반화 성능을 보였다.
• PNO는 생체 조직에서 복잡한 이방성 및 대변형 거동을 성공적으로 포착했으며, 단순화된 함수 형태에 의존하는 최신 기술의 기존 모델보다 뛰어난 성능을 보였다.
• PNO의 비국소적 특성 덕분에 미세구조적 비균질성, 예를 들어 조직 내에서의 $\delta$-스케일 변동성을 암묵적으로 모델링할 수 있었으며, 이는 균질화된 기존 모델에서 손실되는 특성였다.