AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-19
受 GENERIC 啟發的神經網路於生成式流變學之應用
原標題: A GENERIC-Informed Neural Network for Generative Rheology
GINNGER 是一個從微結構流動資料中發現熱力學上可容許之本構方程的框架。它學習的是底層的熱力學生成元，而非本構算子，並嵌入 GENERIC 形式體系，使熱力學第一與第二定律在構造上即獲滿足；同時在聚合物構形張量的特徵空間中採用譜形式，讓剪切、拉伸與混合流動資料都能貢獻於單一模型。經高保真模擬驗證，它能準確重建本構行為，並預測先前未見幾何形狀中的複雜流場。