איפיון הפוך מונחה-נתונים לחלוטין של חומרים הטרוגניים באמצעות ODE-ים נוירוניים והיפר-רשתות

מדוע חשוב ללמוד מדרך המתיחה

מכנפיים של מטוסים ועד שסתומי לב מלאכותיים — רבים מהחומרים החשובים אינם אחידים בפנים. הם עשויים להסתיר סיבים קשיחים, כיסים רכים או גרדיאנטים חלקים בחוזק שמשפיעים במידה רבה על ההתנהגות המעשית שלהם. באופן מסורתי מהנדסים היו נאלצים לשער מודל מתמטי לחומר כזה ואז לכוונן מספר פרמטרים כך שסימולציות ממוחשבות יתאימו לניסויים במעבדה. זה עובד רק כאשר החומר יחסית פשוט ואחיד. המאמר המסוכם כאן מציג דרך חדשה: הוא מאפשר לנתונים לדבר ישירות, באמצעות רשתות נוירוניות מודרניות שמייצרות הסקת כיצד כל אזור זעיר של חומר מורכב מגיב למתיחה, לכיפוף או לחיתוך — מבלי להניח נוסחה ספציפית מראש.

לראות את התמונה המלאה במקום דקירות מקומיות

כלים קיימים לחקר קשיחות חבויה לעתים מסתמכים על בדיקות מקומיות מאוד, כמו לחיצה בעקב סיכה בנקודה אחת בדגימה. בעוד ששיטות אלה מסוגלות לפתור פרטים קטנים, הן נדירות מדמות את תנאי העומס האמיתיים שחומרים חווים, כגון מתיחות גדולות בכמה כיוונים בבת אחת. גישה משלימה משתמשת בטכניקות שטח מלא כמו קורלציה דיגיטלית של תמונה, שעוקבות אחר תזוזתם של אלפי נקודות על המבחן בעת העומס. ממפות התנועה העשירות האלה אפשר לחשב כמה כל אזור מתעוות. האתגר הוא להיפוך המידע הזה: נתונות עיוותים וכוחות בגבולות, איזו התנהגות חומרית בסיסית יצרה אותם, במיוחד כאשר ההתנהגות משתנה ממקום למקום?

להניח לרשתות דיפרנציאליות נוירוניות לתאר את החומר

המחברים מתמודדים עם בעיית ההיפוך על ידי ייצוג התנהגות החומר במחלקה מיוחדת של רשתות נוירוניות הנקראות משוואות דיפרנציאליות אא"ו רגילות נוירוניות (neural ordinary differential equations). במקום לקבוע מראש נוסחת מאמץ–עיוות קבועה, מאמנים רשתות אלה כך שהאנרגיה המאוחסנת בחומר, ומהם המאמצים שהיא מייצרת תחת עיוות, צומחים ישירות מהנתונים. רשתות אלה מעוצבות כך שהן קוימות באופן אוטומטי בדרישות פיזיקליות מרכזיות: אינן מייצרות מאמץ במצב בלתי-מעוות, מאחסנות אנרגיה לא-שלילית ומובילות לתגובות מתמטית-טובות תחת מתיחות גדולות. זה מוודא שהמודל הנלמד אינו רק התאמה טובה לנתונים, אלא גם תואם עקרונות מכניים בסיסיים.

לתת לכל נקודה דגם חומר משלה

כדי להתמודד עם הטרוגניות, השיטה מוסיפה רשת נוירונית שנייה, שנקראת היפר-רשת, שמקצה לכל נקודה בדגימה סט פרמטרים חומריים ייחודי. בפועל, רשת זו ממירה קואורדינטות מרחביות להגדרות פנימיות של משוואת הדיפרנציאל הנוירונית במיקום זה. בשילוב, שתי הרשתות מגדירות שדה רציף של חוקים חומריים מקומיים על כל התחום. האימון מונע על-ידי פונקציית אובדן שמכפיפה ישירות את שיווי המשקל המיכני: שדה המאמץ החזוי חייב לקיים שיווי משקל בכל הפנימי ולהתאים למתחי הגבול הידועים. גרדיאנט העיוות השטחי המלא, המחושב ממדידות תזוזה או הנלקח ישירות מסימולציות, מתואר חלק כך שנגזרות מרחביות הדרושות לבדיקות אלה ניתנות להערכה בדיוק.

בדיקה על צורות סינתטיות ודגימות מודפסות אמיתיות

הצוות מאמת את המסגרת על מגוון רחב של דוגמאות שנוצרו במחשב: לוחות דו-פאזיים פשוטים עם הכללות בצורת P או X, חומרים לא-ליניאריים יותר, תערובות של אזורים איזוטרופיים ואניזוטרופיים, מבנים בצורת טבעת עם רעש מדידה נוסף, ואפילו דפוסי קשיחות המשתנים באופן חלק על-פי שדה גאוסיאני. במבחנים אלה השיטה משחזרת באמינות הן את דפוס המרחבי של הקשיחות והן את עקומות המאמץ–עיוות המקומיות המפורטות, לעתים עם שגיאה של רק כמה אחוזים. היא אף יכולה לזהות את כיווניותם של סיבים מחזקים מבלי שיודעו מראש שמדובר בחומר כיווני. לבסוף, המחברים מיישמים את הגישה על ניסויים אמיתיים בחומרים אלסטומריים המודפסים בתלת-ממד שבתוכם הגיאומטריה המדמה ספרה כתובה ביד. באמצעות מדידות עיוות מבוססות-תמונה בלבד, המודל משחזר היכן נמצאת ההכללה הקשיחה וכיצד כל שתי הפאזות מגיבות תחת מתיחה, בהתאמה טובה לניסויים נפרדים על דגימות אחידות.

התמודדות עם מדידות רועשות ומגבלות מעשיות

מכיוון שהשיטה נשענת על נגזרות של שדות תזוזה, רעש במדידה עלול להחליש את הביצועים שלה. המחברים בוחנים זאת באופן שיטתי על ידי הוספת רעש מבוקר לנתונים הסינתטיים. הם מגלים שהשיטה נשארת מדויקת עד לטעויות מתיחה מתונות, ושעליית מספר הניסויים — בין אם על ידי חזרה על אותו עומס מספר פעמים ובין אם על ידי שילוב סוגי עומס שונים — מסייעת לטשטש רעש ולחדד את מפת החומר שהושגה. הם גם משווים את אכיפת שיווי-המשקל בצורה חזקה, שממנעת יצירת רשת ואלגוריתמים של אינטגרציה מספרית, לגישה חלשה יותר המתוארת בחומר המשלים, ומראים ששתי הגישות אפשריות בתוך אותה מסגרת כללית.

מה משמעות הדבר לחומרים במציאות

באופן פשוט, עבודה זו מציעה דרך להפוך תמונות עשירות של אופן עיוותו של גוף מורכב למפת פירוט של כמה כל נקודה בפנים קשיחה או רכה, וכיצד היא מגיבה לעומס מסוגים שונים. במקום לשער מראש קבוצה קטנה של פרמטרים חומריים, השיטה לומדת שדה שלם של התנהגויות מקומיות הצייתות לחוקי המכניקה על פי העיצוב. זה פותח דלת לתאומים דיגיטליים נאמנים יותר של מבני קומפוזיט, חומרים מתוכננים רקמתיים ורקמות ביולוגיות, שבהן שינויים פנימיים משמעותיים במיוחד. עם פיתוח נוסף וטיפול זהיר ברעש ניסויי, אפיון מונחה-נתונים כזה עלול להפוך לכלי רב-עוצמה שילווה בדיקות מסורתיות, ויסייע למהנדסים ולמדענים לתכנן, לאבחן ולממזער חומרים הטרוגניים בהתבסס ישירות על אופן תנועתם תחת עומס.

ציטוט: 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

מילות מפתח: חומרים מונחי-נתונים, מיפוי קשיחות הטרוגני, מודל קונסטיטוטיבי נוירוני, קורלציה דיגיטלית של תמונה, מכניקה הפוכה