研究人员开发了一种名为热力学一致潜在动力学识别（tLaSDI）的新机器学习方法，用于预测异质材料中的断裂模式和演化。该方法通过参数化通用形式信息神经网络（pGFINNs）将能量守恒和熵产生等热力学原理直接嵌入神经网络架构中。tLaSDI-pGFINNs模型通过增强的几何条件自编码器，在捕捉断裂行为方面表现出比纯数据驱动模型（如自编码器长短期记忆（AE-LSTM））更高的准确性。该方法确保即使在未见过的数据上也能保持热力学约束。 AI
影响 这种方法有望在材料科学和工程领域实现更可靠、更高效的模拟，从而减少对广泛物理测试的需求。
排序理由 该集群包含一篇详细介绍用于科学应用的新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- AE-LSTM
- arXiv
- Autoencoder Long Short-Term Memory
- GENERIC Formalism-Informed Neural Networks
- Geometry-Conditioned Autoencoder
- pGFINNs
- Thermodynamically Consistent Latent Dynamics Identification
- tLaSDI
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
