面向多模态数据的快速构成模型发现：物理增强有限元模型更新 (paFEMU)
机器学习
2026-04-10 v1 计算工程、金融与科学
计算物理
摘要
近期进展在 AI 启用构成建模主要集中在从纯数据驱动范式向物理约束和机械原理的强制转化，称为物理增强。经典现象学方法依赖于选择预定义模型并校准其参数，而机器学习方法常聚焦于模型本身的发现。稀疏回归方法处于中间位置，其中大型预定义模型库在校准期间被探索。稀疏化在上述范式中，以及神经网络结构中，已被证明可实现可解释性、不确定性量化，同时由于结果模型的低维性质，还能实现异构软件集成。本领域大多数工作也专注于单一数据源，但实际上，材料建模工作流程可包含来自多个不同来源的数据（多模态数据），以及来自同一材料类别中其他材料的测试数据（多保真度数据）。本文我们引入物理增强有限元模型更新（paFEMU），作为迁移学习方法，结合 AI 启用构成建模、稀疏化以实现可解释模型发现，以及利用多模态数据的有限元基 adjoint 优化。通过将简单机械测试数据（可能来自不同材料）与数字图像相关性类型全场数据获取相结合，从而实现快速构成建模发现。稀疏表示的简单性使神经构成模型易于集成到现有有限元工作流程中，同时也可实现迁移学习中的低维更新。
引用
@article{arxiv.2604.07746,
title = {Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU)},
author = {Jingye Tan and Govinda Anantha Padmanabha and Steven J. Yang and Nikolaos Bouklas},
journal= {arXiv preprint arXiv:2604.07746},
year = {2026}
}