[論文レビュー] Peridynamic Neural Operators: A Data-Driven Nonlocal Constitutive Model for Complex Material Responses

Siavash Jafarzadeh, Stewart Silling+3 more|arXiv (Cornell University)|Jan 11, 2024

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、非局所的構成則を、空間的全域測定データからデータ駆動型で学習する神経作用素アーキテクチャ「ペリダイナミック・ニューラル作用素」（PNO）を提案する。PNOは、物体性や運動量保存則といった基本的物理法則を内蔵的に保持する。PNOは、限られたデータやノイズの多いデータでも、非線形的で異方的かつ不均質な挙動を含む複雑な材料応答を予測する際、古典的モデルよりも優れた精度と一般化性能を達成する。

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.

研究の動機と目的

• 事前に定義された関数形の制限を超えて、複雑で非線形的かつ不均質な材料応答を捉えるデータ駆動型の構成モデルフレームワークの構築を目的とする。
• 物体性、運動量保存則、不変性といった基本的物理法則を、神経ネットワークアーキテクチャに直接組み込み、物理的に整合性のある予測を保証することを目的とする。
• 再訓練なしに、異なるドメイン形状、荷重条件、空間メッシュ分割の間で一般化を可能とすることを目的とする。
• 古典的構成モデルと比較して、低データ量およびノイズの多い状況下でも、より高い予測精度とロバスト性を実現することを目的とする。
• 非局所的力学に支配される物理系、特に微細構造的不均質性を示す材料に、ニューラル作用素の適用範囲を拡張することを目的とする。

提案手法

• PNOは、通常の状態ベースのペリダイナミクスフレームワーク内に構築され、ペリダイナミクス的力状態がニューラルネットワークを用いて非局所的積分作用素としてモデル化される。
• アーキテクチャは、非局所カーネル $\omega^{NN}$ と非局所モデル形式 $\sigma^{NN}$ をそれぞれ表す2つの浅いニューラルネットワークを採用し、これらがペリダイナミクス的スカラー力状態を定義する。
• 物理的整合性は、保存則および不変性特性を作用素構造に直接埋め込むことで確保され、物体性および運動量保存則が自動的に満たされる。
• 微分可能で非局所的なニューラル作用素層を用い、変形状態から力状態への写像を積分方程式によって実現することで、空間メッシュ分割の間での一般化が可能になる。
• 学習プロセスは、合成シミュレーションやDICなどの実験測定から得られる全領域データ（例：変位、ひずみ、応力場）を用いた教師あり学習に基づく。
• フレームワークは、空間的測定値からエンドツーエンドの学習を可能とし、潜在的な非線形偏微分方程式系の解作用素の代理としての役割を果たす。

実験結果

リサーチクエスチョン

• RQ1 ニューラル作用素アーキテクチャは、空間的全域測定データから非局所的構成則を学習可能であり、同時に基本的物理法則を保持できるか？
• RQ2 PNOは、古典的構成モデルと比較して、複雑で非線形的かつ異方的な材料応答をどの程度正確に予測できるか？
• RQ3 PNOは、再訓練なしに、異なるドメイン形状、荷重条件、空間メッシュ分割の間でどの程度一般化できるか？
• RQ4 PNOはノイズや限られたデータに対してどの程度ロバストであり、モデルフリーのニューラル作用素と比較して優れているか？
• RQ5 PNOは、生物学的組織のような材料における微細構造的不均質性および非局所効果を効果的に捉えることができるか？

主な発見

• PNOは生物学的組織の変位場を予測する際、3つの古典的構成モデルを上回り、平均 $L^2$-相対誤差が 0.024 にまで低下した。一方、古典的モデルは 0.038–0.052 の範囲にとどまった。
• グラフェンの例では、PNOがテストデータで相対 $L^2$-誤差 0.018 を達成し、事前に定義された構成則を用いたベースラインモデルよりも顕著に低い誤差を示した。
• PNOはノイズの多いデータに対してもロバストであり、訓練データに最大10%のノイズが含まれても高い精度を維持した。これは、アーキテクチャ内に埋め込まれた物理的不変性に起因する。
• PNOは、新しいグリッドや幾何形状に適用しても再訓練なしに効果的に一般化を示した。
• PNOは、生物学的組織における複雑で異方的かつ大変形応答を、簡素化された関数形に依存する最先端の古典的モデルを上回る性能で捉えた。
• PNOの非局所的性質により、微小スケールの不均質性（例：組織内の $\delta$-スケールの変動）を暗黙的にモデル化でき、均質化された古典的モデルでは失われる情報も捉えることができた。