基于晶体结构的变分神经网络，用于材料数字孪生的鲁棒不确定性量化
机器学习
2025-12-23 v1 材料科学
摘要
偶然不确定性——即构件形貌、构件行为及加工条件中不可消除的变异性——是开发面向不确定性鲁棒的数字孪生体系的主要挑战。我们提出了变分深材料网络 (VDMN)，这是一种受物理知识约束的代理模型，能够高效且概率性地进行材料行为的前向和逆向预测。VDMN 通过在其分层机械结构中嵌入变分分布来捕捉由晶体结构引起的变异性。基于泰勒级数展开和自动微分的解析传播方案，使 VDMN 在训练和预测期间能够高效地进行不确定性传播。我们在两个数字孪生驱动的应用中展示了其能力：（1）作为面向不确定性的材料数字孪生体，它预测并实验验证了增材制造聚合物复合材料的非线性机械变异性；（2）作为逆向校准引擎，它解耦并定量识别构件属性中重叠的不确定性来源。这些结果共同表明，VDMN 已成为面向不确定性鲁棒材料数字孪生体系的基础。
引用
@article{arxiv.2512.18104,
title = {Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins},
author = {Andreas E. Robertson and Samuel B. Inman and Ashley T. Lenau and Ricardo A. Lebensohn and Dongil Shin and Brad L. Boyce and Remi M. Dingreville},
journal= {arXiv preprint arXiv:2512.18104},
year = {2025}
}
备注
43 pages, 9 figures,