用于弹性晶体结构力学的多保真贝叶斯神经算子

细胞结构材料为调制非线性力学响应提供了广阔的设计空间，但常规建模方法往往不可行或不可扩展。为充分发挥其非线性行为用于逆向设计，必须学习完整的应力-应变响应，而非仅依赖bulk参数，这激发了使用神经算子进行 function-to-function 映射的需求。然而，由于实验数据稀缺且成本高昂，弹性 metamaterial 的非线性响应数据驱动建模受到严峻限制。本文提出一种贝叶斯多保真深度算子网络，将大量低保真有限元仿真数据与稀少的高保真纳米力学原位实验数据相聚，实现异构信息的聚合。引入混合贝叶斯主动学习策略，通过同时最大化epistemic 不确定性和结构几何多样性来选择具有信息量的样本，显著降低3D非线性仿真成本。该方法适配性地训练低保真算子，然后由高保真贝叶斯残差学习器进行增强。我们展示，仅需从3000个设计样本库中挑选22个关键样本，即可实现对高保真基准的MSE降低84.1%。该框架显著优于单保真基准，为完整的非线性应力-应变响应、刚度、强度和能量吸收提供了卓越的预测能力。这一工作为细胞结构材料的逆向设计和本构模型提供了稳健、数据高效的路径。