在潜在空间中使用物理感知循环卷积神经网络的含能材料降阶建模
材料科学
2025-12-16 v2 机器学习
摘要
物理感知深度学习（PADL）在复杂时空动力学（场演化）模拟中越来越受欢迎，例如在含能材料（EM）的计算建模中经常出现的情况。在这里，我们表明，通过将 PADL 方法在学习复杂场演化问题时面临的挑战解耦为两个任务——在演化场中学习复杂几何特征以及在更低维特征空间中对这些特征上的动力学进行建模，可以简化和加速该过程。为了实现这一点，我们在之前关于物理感知循环卷积（PARC）的工作基础上进行了构建。PARC 将底层物理知识嵌入其神经网络架构中，以更稳健、准确地预测演化的物理场。PARC 被证明能够有效学习复杂的非线性特征，例如在不同 EM 起爆场景中作为微结构函数的热点形成和耦合激波波前，有效地充当了微结构感知的燃烧模型。在这项工作中，我们通过将原始动力学投影到更低维的不变流形或“潜在空间”上，进一步加速了 PARC 并降低了其计算成本。投影后的潜在表示将演化场（例如温度和压力）的复杂几何编码为一组数据驱动特征。这种潜在空间的降维使我们能够使用更轻量、更高效的模型来学习 EM 起爆期间的动力学。我们观察到，在保持推理结果与 PARC 相当的同时，训练和推理时间显著减少。这项工作朝着实现更大尺度下 EM 热力学的快速预测以及在全应用尺度下表征 EM 结构-性能-效能联系迈出了步伐。
引用
@article{arxiv.2509.12401,
title = {Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)},
author = {Zoë J. Gray and Joseph B. Choi and Youngsoo Choi and H. Keo Springer and H. S. Udaykumar and Stephen S. Baek},
journal= {arXiv preprint arXiv:2509.12401},
year = {2025}
}