重磅！破百年难题，青年博士连发三篇Nature，纳米催化材料领域迎来新浪潮！

文章预览

传统基于数据驱动的材料本构模型依赖大量的应力 - 应变数据，且大多基于监督学习，忽略了物理规律，导致模型的泛化性和可解释性有限。本文提出了一种基于无监督学习的神经网络（NN - EUCLID），仅使用位移、应变和外部作用力等易于测量的数据进行训练，能够在不知道应力的情况下学习超弹性材料的本构行为。          异质材料的计算建模越来越依赖于多尺度模拟，这些模拟通常利用均质化理论进行尺度耦合。此类仿真成本高昂且占用大量内存，尤其是在对大型 3D 组件（如铸造金属合金）的损伤和断裂进行建模时。为了应对这些挑战，我们开发了一种物理约束的深度学习模型，该模型取代了微尺度模拟。我们在机械数据驱动的框架中构建了这个模型，以便它准确地预测了不可逆弹塑性硬化和软化变形下的有效微观结构响应。为了实现高精 ………………………………