arXiv · Materials Science· Muhamad Alim, Xiaolong He, Mei-Na Tsao, Chi-Hua Yu, J. S. Chen·· 6 小时前
tLaSDI-pGFINNs：用于异质材料断裂预测的热力学一致机器学习方法
Thermodynamically Consistent Machine Learning for Fracture Prediction in Heterogeneous Materials
arXiv:2610.20614v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Muhamad Alim, Xiaolong He, Mei-Na Tsao, Chi-Hua Yu, J. S. Chen
研究任务与主要进展
Muhamad Alim等人提出 tLaSDI-pGFINNs，利用参数化 GENERIC 形式神经网络在低维潜空间中学习热力学状态变量，并预测异质材料的断裂形态与演化。该方法将总能量守恒和熵生成等热力学原则作为硬约束嵌入网络，并通过几何条件自编码器增强几何引导学习。基于论文摘要，模型在未见测试样本中保持热力学约束，断裂预测准确性高于 AE-LSTM；具体实验细节与适用条件未说明。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org