arXiv · cs.AI· Matthias Knipper, Chenyi Ji, Malte Brand, Kevin Linka·· 3 小时前
ADE-FEMU利用自动微分从结构变形数据更新本构神经网络
Automatic-Differentiation-Enabled Finite Element Model Updating: Learning Constitutive Neural Networks from Structural Deformation Data
arXiv:2606.05199v2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：Matthias Knipper, Chenyi Ji, Malte Brand, Kevin Linka
研究任务与主要进展
研究者提出ADE-FEMU，将本构神经网络嵌入JAX-FEM非线性求解器，通过测量失配损失的梯度最小化，从结构全场变形数据中辨识超弹性材料参数。基于论文摘要，该框架在GPU加速下自动计算牛顿切线刚度和损失梯度，无需解析伴随方程或离线代理模型，并在三个开放实验数据集上进行评估，包括对22个此前未见样本的泛化测试。
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 · cs.AI · arxiv.org