Группа учёных под руководством Лии Гайнутдиновой представила новую двойственную формулировку для физически информированных нейронных сетей, предназначенную для решения задач гомогенизации периодических термопроводящих композитов. Метод позволяет получать гарантированные верхние и нижние границы ошибки, что значительно повышает надёжность моделирования материалов с кусочно-постоянными свойствами.
Ключевым нововведением является применение двойственного подхода в рамках PINN. Это позволяет напрямую работать с разрывными коэффициентами материалов, в отличие от стандартных PINN, которые требуют сглаживания и могут давать сбой без явных диагностических признаков. Исследователи сравнили классические PINN, применяемые к сглаженным аппроксимациям материалов, с вариационными PINN, использующими спектральные и нейросетевые пробные функции.
Проблема моделирования материалов с резкими изменениями свойств, такими как композиты, является критической в микро- и наномеханике. Традиционные PINN часто терпят неудачу в таких условиях, что ограничивает их применение в реальных инженерных задачах. Предложенный метод служит надёжным индикатором качества сходимости решения, что особенно важно для задач, где необходима высокая точность прогнозирования эффективных свойств гетерогенных сред.
Внедрение двойственной формулировки в фреймворки PINN расширяет их применимость для сложных задач гомогенизации. Этот подход обеспечивает не только более устойчивое решение, но и инструмент для валидации результатов, что является значительным шагом в сторону создания доверенных AI-моделей для вычислительной физики.
