FilDeep：利用多保真度数据学习弹塑性固体的大变形
人工智能
2026-01-16 v1
摘要
弹塑性固体大变形问题的科学计算在各类制造应用中至关重要。传统数值方法存在若干固有局限，促使深度学习（DL）成为一种有前景的替代方案。当前深度学习技术的有效性通常依赖于高质量和高精度的数据集，而这在大变形问题中难以获得。在数据集构建过程中，数据量与数据精度之间存在两难困境，导致深度学习模型性能次优。为解决这一挑战，我们聚焦于一个代表性的大变形应用——拉弯问题，并提出了 FilDeep，一个基于保真度的弹塑性固体大变形深度学习框架。我们的 FilDeep 旨在通过同时使用低保真度和高保真度数据进行训练来解决数量-精度困境，其中前者提供更大的数量但较低的精度，而后者提供更高的精度但数量较少。在 FilDeep 中，我们为实际的大变形问题提供了精心设计。特别地，我们提出了注意力驱动的跨保真度模块，以有效捕获跨多保真度（MF）数据的长程物理相互作用。据我们所知，我们的 FilDeep 是首个利用多保真度数据解决大变形问题的深度学习框架。大量实验表明，我们的 FilDeep 持续实现了最先进的性能，并且可以高效地部署于制造领域。
引用
@article{arxiv.2601.10031,
title = {FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data},
author = {Jianheng Tang and Shilong Tao and Zhe Feng and Haonan Sun and Menglu Wang and Zhanxing Zhu and Yunhuai Liu},
journal= {arXiv preprint arXiv:2601.10031},
year = {2026}
}
备注
Accepted in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD '26)