Automatically Differentiable Model Updating (ADiMU): conventional, hybrid, and neural network material model discovery including history-dependency

要約

フルフィールドの変位とグローバルな力データ（グローバル、間接発見）またはひずみストレスデータ（ローカル、直接発見）から履歴依存の材料モデルを見つける最初の自動的に微分可能なモデル更新（ADIMU）フレームワークを導入します。
Adimuは、従来の（物理ベース）、ニューラルネットワーク（データ駆動型）、およびハイブリッド材料モデルを更新できることを示しています。
さらに、このフレームワークでは、ユーザーが選択した材料モデルアーキテクチャとオプティマイザーに固有のものを超えるハイパーパラメーターまたは追加の量の微調整を必要としません。
Adimuの堅牢性と汎用性は、ローカルおよびグローバルな発見設定の両方で、TENから数百万のパラメーターにまたがるさまざまなモデルを更新することにより、広範囲に例証されています。
完全に微分可能なコードに依存して、アルゴリズムの実装は、共有計算グラフの効率的なバッチバッチ実行を介して履歴依存性の自動分化を可能にするベクトル化マップを活用します。
また、この貢献は、研究コミュニティを公然とサポートすることにより、将来の材料モデルアーキテクチャの統合、評価、および適用を促進することを目的としています。
したがって、Adimuは、Hookeaiという名前の慎重に設計および文書化されたソフトウェアに統合されたオープンソースの計算ツールとしてリリースされます。

要約(オリジナル)

We introduce the first Automatically Differentiable Model Updating (ADiMU) framework that finds any history-dependent material model from full-field displacement and global force data (global, indirect discovery) or from strain-stress data (local, direct discovery). We show that ADiMU can update conventional (physics-based), neural network (data-driven), and hybrid material models. Moreover, this framework requires no fine-tuning of hyperparameters or additional quantities beyond those inherent to the user-selected material model architecture and optimizer. The robustness and versatility of ADiMU is extensively exemplified by updating different models spanning tens to millions of parameters, in both local and global discovery settings. Relying on fully differentiable code, the algorithmic implementation leverages vectorizing maps that enable history-dependent automatic differentiation via efficient batched execution of shared computation graphs. This contribution also aims to facilitate the integration, evaluation and application of future material model architectures by openly supporting the research community. Therefore, ADiMU is released as an open-source computational tool, integrated into a carefully designed and documented software named HookeAI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google