非弹性 Constituent Kolmogorov-Arnold 网络：用于自动发现可解释非弹性材料模型的通用框架
材料科学
2026-02-23 v1 人工智能
计算物理
摘要
固体力学的一个关键问题是识别材料的本构定律，即应变与应力之间的关系。近期来，机器学习在该领域取得了显著进展。本文引入了非弹性 Constituent Kolmogorov-Arnold 网络（iCKANs）。这是一种新的人工神经网络架构，能够自动发现描述材料弹性和非弹性行为的符号本构定律。也就是说，它能够将材料测试数据翻译为相应的弹性和非弹性势函数的闭合数学形式。我们使用合成数据以及 VHB 4910 和 VHB 4905 这种视弹性聚合物材料的实验数据来展示 iCKANs 的优势。结果表明，iCKANs 能够准确捕捉复杂的视弹性行为，同时保持物理可解释性。iCKANs 的一个特别优势在于，它不仅可以处理机械数据，还可以处理关于材料的任意其他信息（例如关于温度依赖行为的信息）。这使得 iCKANs 成为发现特定加工或服务条件如何影响材料性能的强大工具。
引用
@article{arxiv.2602.17750,
title = {Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models},
author = {Chenyi Ji and Kian P. Abdolazizi and Hagen Holthusen and Christian J. Cyron and Kevin Linka},
journal= {arXiv preprint arXiv:2602.17750},
year = {2026}
}