[论文解读] Machine Learning in Heterogeneous Porous Materials

Marta D’Elia, Hang Deng+22 more|arXiv (Cornell University)|Feb 4, 2022

Hydraulic Fracturing and Reservoir Analysis被引用 12

一句话总结

本文综合了2020年关于机器学习（ML）在非均质多孔材料中应用的虚拟研讨会的见解，识别出四个关键研究领域：材料性能预测、多孔及裂缝介质建模、基于机器学习的多尺度模拟，以及控制方程的发现。论文提出，物理信息机器学习对于数据稀疏、多物理场问题至关重要，并提出了一个以公平与包容为核心重点的跨学科研究路线图。

ABSTRACT

The "Workshop on Machine learning in heterogeneous porous materials" brought together international scientific communities of applied mathematics, porous media, and material sciences with experts in the areas of heterogeneous materials, machine learning (ML) and applied mathematics to identify how ML can advance materials research. Within the scope of ML and materials research, the goal of the workshop was to discuss the state-of-the-art in each community, promote crosstalk and accelerate multi-disciplinary collaborative research, and identify challenges and opportunities. As the end result, four topic areas were identified: ML in predicting materials properties, and discovery and design of novel materials, ML in porous and fractured media and time-dependent phenomena, Multi-scale modeling in heterogeneous porous materials via ML, and Discovery of materials constitutive laws and new governing equations. This workshop was part of the AmeriMech Symposium series sponsored by the National Academies of Sciences, Engineering and Medicine and the U.S. National Committee on Theoretical and Applied Mechanics.

研究动机与目标

• 通过机器学习弥合应用数学、多孔介质科学与材料科学研究之间的差距。
• 解决传统机器学习在多物理场、多尺度系统中因外推困难而面临的样本稀缺挑战。
• 推动物理信息机器学习模型的发展，将控制方程和物理约束嵌入其中。
• 利用数据驱动方法推进新本构定律和控制方程的发现。
• 通过JEDI（正义、公平、多样性与包容性）举措，促进机器学习与材料科学领域内更具包容性、公平性和多样性的科学社群建设。

提出的方法

• 组织了来自学术界、工业界和国家实验室的70名国际专家参与的虚拟研讨会。
• 设立了四个专题领域（TAs）的并行分会场：材料性能预测、多孔/裂缝介质建模、多尺度模拟，以及控制方程的发现。
• 通过结构化讨论环节，识别各专题领城的最新进展、挑战与未来方向。
• 在研讨会设计中融入JEDI原则，包括多样化的演讲者与主席，并设立专门的包容性讨论环节。
• 邀请领域领先研究人员发表主旨演讲，以界定多孔材料中机器学习面临的关键技术与伦理挑战。
• 通过整合讨论成果，形成共识性路线图，强调跨学科协作与技术创新。

实验结果

研究问题

• RQ1 如何有效应用机器学习来预测非均质多孔系统中的材料性能？
• RQ2 在使用机器学习建模裂缝与多孔介质中的时间依赖性、多物理场现象时，面临哪些关键挑战？
• RQ3 如何通过机器学习技术增强非均质材料的多尺度建模？
• RQ4 机器学习在从实验或模拟数据中发现新本构定律与控制方程方面可发挥何种作用？
• RQ5 科学社群如何提升在机器学习驱动的材料研究中多样性、公平性与包容性？

主要发现

• 对于数据稀疏、需要外推的多物理场系统，物理信息机器学习至关重要，而纯数据驱动模型在此类问题中往往失效。
• 在复杂多孔与裂缝介质中应用机器学习发现控制方程与本构定律方面，仍存在显著的知识空白。
• 将物理约束整合进机器学习模型（如通过物理信息神经网络PINNs）在求解黎曼问题与时间依赖现象方面展现出巨大潜力。
• 在生成式设计与人工智能驱动的结构化超材料发现方面潜力巨大，MIT与加州大学伯克利分校的主旨演讲案例已予以证实。
• 研讨会识别出，科学界亟需改进针对代表性不足群体的教育体系与留任策略。
• 必须通过学术界、工业界与国家实验室的协同合作，开展跨学科努力，才能推动该领域发展并确保创新的公平性。