[논문 리뷰] Physics-Consistent Neural Networks for Learning Deformation and Director Fields in Microstructured Media with Loss-Based Validation Criteria

Milad Shirani, Pete H. Gueldner외 3명|arXiv (Cornell University)|2026. 03. 06.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

이 논문은 단일 디렉터를 갖는 코세레 엘라스틱성에 대한 물리정보 neural network 프레임워크를 제안하며, 에너지 기반 손실과 물리 기반 검증(유사볼록성, 계급 1-연성, Legendre-Hadamard 부등식)을 통해 에너지적으로 안정된 평형 해를 보장합니다.

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.

연구 동기 및 목표

• 단위 디렉터를 갖는 코세레 엘라스틱성을 사용하여 변형–디렉터 결합을 포착하는 미세구조 고체를 모델링한다.
• 변분 원리에 기반한 유한요소와 총 포텐셜 에너지를 최소화하는 신경망 솔버의 두 가지 계산 방법을 개발한다.
• 케임(프레이임) 불변성과 신경망 내 디렉터 단위 길이 제약을 도입하여 운동학을 보존한다.
• 필요한 변분 안정성 조건(유사볼록성, 계급 1-연성, Legendre-Hadamard)을 물리 기반 검증 프레임워크로 도출하고 적용한다.

제안 방법

• 코세레 특정 매체에서 가상 전력 원리에 의해 균형 법칙과 경계 조건을 형식화한다.
• 에너지를 프레임 불변성 및 단위 길이 제약이 강제된 변형 및 디렉터 필드를 나타내는 신경망 아키텍처를 구성한다.
• 네트워크 학습의 손실 함수로 총 포텐셜 에너지를 사용하고 도출된 유사볼록성, 계급 1-연성, Legendre-Hadamard 기준으로 안정성을 평가한다.
• 일차 변분 및 경계 항으로부터 에너지 기반의 변분 조건을 도출하고 이를 신경망 출력과 연결한다.
• 벤치마킹 및 검증을 위한 변분 원리에 기초한 보완적 유한요소 공식을 제공한다.
• 신경망 검증에 적합한 형태로 안정성 조건을 표현하여 에너지적으로 비최적화된 예측을 거부할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 단일 디렉터를 갖는 코세레 엘라스틱성이 이론의 운동학 구조를 존중하면서 데이터로부터 학습될 수 있는가?
• RQ2 뉴럴 네트워크 예측을 균형 법칙 외의 에너지 최소화 조건으로 검증할 수 있는가?
• RQ3 유사볼록성, 계급 1-연성, Legendre-Hadamard 부등식이 NN 기반 해법의 실용적 검사로 어떻게 번역되는가?
• RQ4 프레임 불변성과 단위 디렉터 제약의 강제가 학습된 해의 안정성과 정확성에 어떤 영향을 미치는가?

주요 결과

• 저자들은 단위 디렉터를 갖는 코세레 매체에 대한 필요한 안정성 조건인 유사볼록성, 계급 1-연성, Legendre-Hadamard 부등식을 제시한다.
• 이 조건들이 균형 법칙을 만족하는 것 외에도 신경망 출력에 대한 물리 기반 검증으로 평가 및 활용될 수 있음을 보인다.
• 운동학 제약을 준수하면서 총 포텐셜 에너지를 최소화하는 물리적으로 일관된 NN 솔버를 제안한다.
• 프레임워크가 변분 역학과 머신러닝을 결합하여 평형 해가 에너지적으로 일관되도록 한다.
• 변분 원리에 기초한 유한요소 공식을 신경망 솔버와 보완적으로 제시하여 교차 검증을 가능하게 한다.