AIが固体力学データから構成則を直接抽出

寧波の東方理工大學EIT研究チームは、固体材料の力学データから直接的に物理的に解釈可能な構成則の数式を抽出する人工知能フレームワークGraphEDを開発した。成果は学術誌Science Advancesに近日掲載され、固体力学の研究方法に転換をもたらす。 従来、材料の複雑な力学的挙動の記述には物理的直感に基づいた事前定義数式が用いられ、パラメータ校准に依存していた。固定された数式枠組みは予測精度を制限する課題を抱えていた。徐浩氏らを主導するチームは、方程式を有向グラフとして表現するGraphEDを提案。数学演算子や変数をノード、論理接続をエッジとしてエンコードし、物理定数や材料パラメータも組み込む。これにより数式の構造とパラメータの最適化を同時に実行。データ駆動で自律的に数式を探索・評価し、精度が高く物理一貫性のある数式を導出する。 チームは多様な材料で汎用性を実証した。合金鋼ではひずみ速度依存性と加工硬化の明示的数式を発見し、ジョンソン・クックモデルを凌駕する予測精度を実現。エネルギーデバイス用リチウム金属では、温度とひずみ速度影響下の塑性流動構成則を簡潔に抽出し実験値との一致を向上。充填ゴムに対しても、組成や温度変化に頑健な超弾性構成則を導出し高い精度を維持した。 張東暁教授は、既存経験モデルで記述が困難な材料挙動に対し、グラフベースAIによる数式発見は厳密な数学的記述の導出を支援する新パラダイムと指摘。本手法は計算力学の枠を超え、観測データからの物理法則抽出が必要な幅広い分野での応用が期待される。