基于离散位错动力学模拟的晶体塑性流动法则主动学习
材料科学
2026-01-06 v2
摘要
连续尺度材料变形模型（如晶体塑性）可通过纳入更低尺度（即介观尺度）模型的输入，显著提升其预测精度。然而，生成和提取相关信息的流程通常复杂且具有针对性，需要领域专家的决策和干预，导致开发周期漫长。在本研究中，我们通过将晶体塑性流动法则表示为高斯过程模型，开发了一种利用低尺度信息校准连续尺度模型的原则性方法。这种表示允许通过一种称为贝叶斯优化的过程，在模型内置不确定性的引导下进行高效的参数空间探索。我们展示了一个半自主的贝叶斯优化循环，该循环实例化离散位子动力学模拟，其初始条件被自动选择以优化模型晶体塑性流动法则的不确定性。我们的自引导计算流程高效地生成了一个数据集和相应的模型，其误差、不确定性和物理特征敏感性通过与一个规模大四倍的独立数据集进行比较得到验证，展示了一种有价值且高效的主动学习实现，可轻松迁移至类似的材料系统。
引用
@article{arxiv.2509.04788,
title = {Active Learning of A Crystal Plasticity Flow Rule From Discrete Dislocation Dynamics Simulations},
author = {Nicholas Huebner Julian and Giacomo Po and Enrique Martinez and Nithin Mathew and Danny Perez},
journal= {arXiv preprint arXiv:2509.04788},
year = {2026}
}