Материал с памятью: нейросеть вместо молекул экспресс
Вязкоупругие материалы — полимеры, которые, подобно тесту, хранят память о каждом прикосновении: их реакция на удар зависит от истории деформаций. Ещё Максвелл и Больцман дали этому математическое описание. Но для компьютерного расчёта инженерам приходилось моделировать каждую молекулу на каждом шаге — немыслимая задача даже для суперкомпьютеров.
Теперь на помощь пришла нейросеть, обученная на тысячах виртуальных экспериментов. Она улавливает закономерности без перебора миллиардов частиц, словно опытный пекарь, по одному виду теста понимающий всю его предысторию. Внутренние параметры сети накапливают информацию о прошлом, как энтропия собирает сведения о молекулярном беспорядке.
Испытания показали: модель точно воспроизводит поведение углеродного полимера — полимочевины, в том числе при циклическом изгибе, ударе и даже с учётом нагрева. Удивительный факт: слой такой полимочевины толщиной в несколько миллиметров способен защитить бетонную стену от взрывной волны. Нейросеть работает в тысячи раз быстрее классических моделей, и её легко встроить в любую инженерную программу как универсальный шаблон — аналог стандартной модели для физики материалов.
Оригинальная аннотация
как её написали авторы, на английском 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.
Полимочевина настолько вязкоупруга, что покрытие толщиной в несколько миллиметров способно защитить бетонную стену от взрывной волны.
Такая технология напоминает фантастические «умные» материалы, которые адаптируются к каждому удару, — как костюм Железного человека.