[论文解读] PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials

Phong Nguyen, Yen T. Nguyen+4 more|arXiv (Cornell University)|Apr 4, 2022

Energetic Materials and Combustion被引用 7

一句话总结

本文提出PARC，一种物理感知的循环卷积神经网络，能够从有限数量的高保真直接数值模拟（DNS）中学习冲击起始的高能材料的介观热-机械响应。通过将物理约束嵌入网络架构，PARC在显著降低计算成本的同时，实现了与DNS相当的预测精度，并通过神经元可视化增强了模型的泛化能力和可解释性。

ABSTRACT

The thermo-mechanical response of shock-initiated energetic materials (EM) is highly influenced by their microstructures, presenting an opportunity to engineer EM microstructure in a "materials-by-design" framework. However, the current design practice is limited, as a large ensemble of simulations is required to construct the complex EM structure-property-performance linkages. We present the Physics-Aware Recurrent Convolutional (PARC) Neural Network, a deep-learning algorithm capable of learning the mesoscale thermo-mechanics of EM from a modest number of high-resolution direct numerical simulations (DNS). Validation results demonstrated that PARC could predict the themo-mechanical response of shocked EM with a comparable accuracy to DNS but with notably less computation time. The physics awareness of PARC enhances its modeling capabilities and generalizability, especially when challenged in unseen prediction scenarios. We also demonstrate that visualizing the artificial neurons at PARC can shed light on important aspects of EM thermos-mechanics and provide an additional lens for conceptualizing EM.

研究动机与目标

• 为克服使用大规模直接数值模拟（DNS）集合模拟高能材料介观反应力学时的计算瓶颈。
• 开发一种数据高效深度学习框架，能够泛化于多种微观结构和冲击条件。
• 将物理定律嵌入神经网络架构，以提升模型保真度和鲁棒性。
• 通过建立高能材料中可靠结构-性能-性能关联，实现“按需设计材料”。
• 通过可视化人工神经元中学习到的物理机制，提升模型可解释性。

提出的方法

• PARC采用循环卷积神经网络（RCNN）架构，用于模拟高能材料在冲击载荷下热-机械场的时空演化。
• 质量、动量和能量守恒等物理约束被直接嵌入网络的损失函数和层设计中。
• 模型在少量高分辨率DNS模拟数据上进行训练，以学习复杂的微结构依赖性响应行为。
• 物理感知损失函数确保预测场即使在外推场景下也遵循基本物理原理。
• 循环连接使网络能够保持对先前状态的记忆，从而准确预测动态演化的反应过程。
• 通过可视化人工神经元的特征图，增强可解释性，揭示学习表征中具有物理意义的模式。

实验结果

研究问题

• RQ1 在有限数量的DNS模拟数据上进行训练的深度学习模型，能否准确预测冲击高能材料的介观热-机械响应？
• RQ2 将物理定律嵌入神经网络架构在多大程度上能提升预测精度和泛化能力，特别是在未见过的微结构或加载条件下？
• RQ3 深度神经网络的内部表征在多大程度上能揭示反应材料中具有物理意义的机制？
• RQ4 该模型能否在保持与完整DNS模拟相当保真度的同时显著降低计算成本？
• RQ5 物理感知设计在外推预测任务中如何增强模型鲁棒性？

主要发现

• PARC在将计算成本降低多个数量级的同时，实现了与直接数值模拟（DNS）相当的预测精度。
• 物理感知损失函数显著提升了泛化能力，使模型在未见微结构和冲击条件下仍能实现可靠预测。
• 人工神经元的可视化揭示了反应前沿、应力集中和相变等明显物理特征，表明具有有意义的物理可解释性。
• 该模型能有效泛化至训练过程中未见过的新微结构，展现出超越插值范围的鲁棒性。
• 将物理约束整合到神经网络架构中，即使在训练数据有限的情况下，也能产生更稳定且物理上合理的预测结果。
• 该方法实现了对高能材料结构-性能-性能关系的快速探索，支持材料按需设计框架。