Un matériau à mémoire : le réseau de neurones remplace les molécules express
Les matériaux viscoélastiques — des polymères qui, comme la pâte, gardent la trace de chaque contact : leur réaction à un choc dépend de l'historique des déformations. Maxwell et Boltzmann en ont donné une description mathématique. Mais pour le calcul informatique, les ingénieurs devaient modéliser chaque molécule à chaque étape — une tâche inimaginable même pour les supercalculateurs.
Aujourd'hui, un réseau de neurones entraîné sur des milliers d'expériences virtuelles vient à la rescousse. Il saisit les régularités sans énumérer des milliards de particules, tel un boulanger expérimenté qui, d'un simple coup d'œil sur la pâte, comprend toute son histoire. Les paramètres internes du réseau accumulent l'information sur le passé, comme l'entropie recueille des données sur le désordre moléculaire.
Les tests ont montré que le modèle reproduit fidèlement le comportement d'un polymère à base de carbone — la polyurée — y compris sous flexion cyclique, sous choc et même en tenant compte de l'échauffement. Fait étonnant : une couche de polyurée de quelques millimètres d'épaisseur peut protéger un mur en béton contre une onde de choc. Le réseau de neurones travaille des milliers de fois plus vite que les modèles classiques et peut être facilement intégré dans n'importe quel logiciel d'ingénierie comme un modèle universel — un analogue du modèle standard pour la physique des matériaux.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.27430
We present a neural-operator-accelerated concurrent multiscale framework that couples atomistic simulations with continuum finite-element analysis for history-dependent materials, thereby making atomistic-continuum multiscale simulations of viscoelastic materials tractable. The approach replaces direct molecular dynamics (MD) evaluation of the constitutive response with a Recurrent Neural Operator (RNO) surrogate trained on atomistic simulations. The surrogate learns the strain-history-to-stress operator from molecular dynamics simulations and provides a discretization-independent approximation of the atomistic constitutive mapping, enabling efficient evaluation of stresses and latent internal variables at each quadrature point. The framework is implemented within an explicit finite-element solver, where the constitutive update reduces to inexpensive operator evaluations rather than repeated MD solves. Memory effects are represented through learned internal states, and transfer learning across temperature enables the surrogate to capture thermally dependent viscoelastic behavior. The method is assessed using polyurea through cyclic loading, Taylor impact, and plate impact simulations and compared with an experimentally calibrated viscoelastic polyurea model and a Johnson-Cook model. The neural-operator surrogate reproduces correct viscoelastic response while enabling atomistically informed dynamic simulations at scales that are not tractable with direct MD-FEM coupling.
La polyurée est si viscoélastique qu'un revêtement de quelques millimètres d'épaisseur peut protéger un mur en béton contre une onde de choc.
Une telle technologie rappelle les matériaux « intelligents » de la science-fiction, qui s'adaptent à chaque impact — comme le costume d'Iron Man.