التوصيف العكسي المعتمد كلياً على البيانات للمواد غير المتجانسة باستخدام شبكات عصبية تفاضلية فائقة

لماذا يهم التعلم من كيفية تمدد الأشياء

من أجنحة الطائرات إلى صمامات القلب الصناعية، كثير من المواد المهمة ليست متجانسة من الداخل. قد تخفي أليافاً صلبة أو جيوباً رخوة أو تدرجات ناعمة في الصلابة تؤثر بشدة في سلوكها أثناء الاستخدام. تقليدياً، كان على المهندسين افتراض نموذج رياضي لهذه المواد ثم ضبط بعض المعلمات حتى تتطابق محاكيات الحاسوب مع اختبارات المختبر. ينجح هذا النهج فقط عندما تكون المادة بسيطة ومتماثلة إلى حد ما. الورقة الملخّصة هنا تقدم طريقة جديدة: تتيح للبيانات أن تتكلم مباشرة، باستخدام شبكات عصبية حديثة لاستنتاج كيفية استجابة كل منطقة صغيرة من مادة معقدة للشد أو الضغط أو القص — دون افتراض صيغة محددة مسبقاً.

رؤية الصورة كاملة بدلاً من نقرات فردية

تعتمد الأدوات الحالية لاستكشاف الصلابة الخفية غالباً على اختبارات محلية جداً، مثل الضغط بطرف حاد في نقطة واحدة من العينة. بينما تستطيع هذه الطرق كشف تفاصيل صغيرة، نادراً ما تحاكي ظروف التحميل الحقيقية التي تتعرض لها المواد، مثل تمددات كبيرة في عدة اتجاهات في آن واحد. تتبع منهجية متممة تقنيات الحقل الكامل مثل مقارنة الصور الرقمية، التي تتعقب حركة آلاف النقاط على العينة أثناء التحميل. من خرائط الحركة الغنية هذه يمكن حساب مقدار تشوه كل منطقة. التحدي هو عكس هذه المعلومات: بالنظر إلى التشوهات والقوى على الحدود، ما السلوك المادي الكامن الذي نتج عنها، خصوصاً عندما يختلف هذا السلوك من مكان لآخر؟

السماح لمعادلات التفاضل العصبية بوصف المادة

يتعامل المؤلفون مع هذه المسألة العكسية بتمثيل سلوك المادة بفئة خاصة من الشبكات العصبية المعروفة باسم معادلات عادية عصبية تفاضلية. بدلاً من وصف صيغة ثابتة للإجهاد–الإنفعال، يقومون بتدريب هذه الشبكات بحيث تنبع الطاقة المختزنة في المادة، ومن ثم الإجهادات الناتجة تحت التشوه، مباشرة من البيانات. صُممت هذه الشبكات بحيث تلتزم تلقائياً بمتطلبات فيزيائية أساسية: لا تولد إجهاداً في الحالة غير المشوهة، تخزن طاقة غير سالبة، وتؤدي إلى استجابات رياضية سليمة تحت إنفعال كبير. هذا يضمن أن النموذج المتعلم ليس مجرد مطابق جيد للبيانات، بل متسق أيضاً مع مبادئ ميكانيكا أساسية.

إعطاء كل نقطة نموذجها المادي الخاص

لمعالجة التغايرية، تضيف الطريقة شبكة عصبية ثانية تسمى الشبكة الفوقية، والتي تمنح مجموعة فريدة من معلمات المادة لكل نقطة داخل العينة. في الواقع، تقوم هذه الشبكة بتحويل الإحداثيات المكانية إلى إعدادات داخلية لمعادلة التفاضل العصبية في ذلك الموقع. عند الجمع بين الشبكتين، يتم تعريف حقل مستمر لقوانين المادة المحلية عبر كامل النطاق. يُدار التدريب بواسطة دالة خسارة تفرض مباشرة توازن الميكانيكا: يجب أن يفي حقل الإجهاد المتوقع بمعادلات الاتزان داخل الجسم وأن يطابق القوى المعروفة على الحدود. يتم تمثيل تدرج التشوه الحقل الكامل، سواءً تم حسابه من الإزاحات المقاسة أو أخذ مباشرة من المحاكاة، بشكل سلس حتى يمكن تقييم المشتقات المكانية اللازمة لهذه الفحوصات بدقة.

الاختبار على أشكال صناعية وعينات مطبوعة حقيقية

توثّق الفريق إطاره على مجموعة واسعة من الأمثلة المولدة بالحاسوب: صفائح بسيطة ذات طورين تحتوي على إدخالات على شكل P أو X، مواد أكثر لزوجة وغير خطية، خليط من مناطق متشابهة الخواص ومناطق متجهة الخواص، هياكل حلقيّة مع ضجيج قياس مضاف، وحتى نماذج صلابة متغيرة بسلاسة على شكل «حقل غاوسي». في هذه الاختبارات، تستعيد الطريقة بنجاح كل من نمط الصلابة المكاني والمنحنيات التفصيلية للإجهاد–الإنفعال المحلي، غالباً بأخطاء قليلة النسبة. يمكنها حتى اكتشاف اتجاهات تقوية شبيهة بالألياف دون إخبارها مسبقاً بأن المادة متجهة. أخيراً، يطبق المؤلفون النهج على تجارب حقيقية على مطاطيات مطبوعة ثلاثية الأبعاد تحاكي هندسة داخلية على شكل رقم مكتوب بخط اليد. باستخدام قياسات التشوه المستندة إلى الصور وحدها، يعيد نموذجهم بناء مكان الإدخال الأكثر صلابة وكيفية استجابة الطورين للتمدد، بما يتوافق جيداً مع اختبارات منفصلة على عينات متجانسة.

التعامل مع القياسات المشوشة والقيود العملية

بما أن الطريقة تعتمد على مشتقات حقول الإزاحة، يمكن أن يقلل ضجيج القياس من أدائها. يستكشف المؤلفون ذلك بشكل منهجي من خلال إضافة ضجيج مسيطر عليه إلى بيانات صناعية. يجدون أن النهج يبقى دقيقاً حتى أخطاء إنفعال معتدلة، وأن زيادة عدد التجارب — سواء بتكرار نفس التحميل عدة مرات أو بخلط أنواع تحميل مختلفة — يساعد على متوسط الضجيج وشحذ خريطة المادة المستعادة. كما يقارنون فرضهم لصيغة الاتزان من الشكل القوي، التي تتجنب توليد شبكة وتكامل عددية، بنسخة أضعف تقليدية موصوفة في المادة التكميلية، ويظهرون أن كلاهما قابل للتنفيذ ضمن نفس الإطار العام.

ماذا يعني هذا للمواد في العالم الحقيقي

بعبارات بسيطة، يقدم هذا العمل وسيلة لتحويل صور غنية لكيفية تشوه جسم معقد إلى خريطة مفصّلة لمدى صلابة أو ليونة كل نقطة بداخله، وكيفية استجابتها عند تحميلها بطرق مختلفة. بدلاً من افتراض مجموعة صغيرة من معلمات المادة مقدماً، تتعلم الطريقة حقلاً كاملاً من السلوكات المحلية التي تلتزم بقوانين الميكانيكا بحكم التصميم. يفتح ذلك الباب أمام توائم رقمية أكثر وفاءً للهياكل المركبة والمواد المهندسة والأنسجة البيولوجية، حيث تكون الاختلافات الداخلية مهمة للغاية. مع مزيد من التطوير والتعامل الحذر مع ضجيج التجربة، قد يصبح هذا التوصيف المعتمد على البيانات رفيقاً قوياً للاختبار التقليدي، مساعداً المهندسين والعلماء على تصميم وتشخيص وتحسين المواد غير المتجانسة استناداً مباشرةً إلى كيفية تحركها تحت التحميل.

الاستشهاد: Taç, V., Amiri-Hezaveh, A., Bechtel, G.N. et al. Fully data-driven inverse characterization of heterogeneous materials with hyper-network neural ODEs. npj Comput Mater 12, 165 (2026). https://doi.org/10.1038/s41524-026-02027-8

الكلمات المفتاحية: المواد المعتمدة على البيانات, رسم خرائط الصلابة غير المتجانسة, نمذجة وسائطية عصبية, مقارنة الصور الرقمية, ميكانيكا عكسية