面向多凸不可压缩超弹性材料的物理约束符号模型发现

基于摘要分析。该研究针对不可压缩超弹性材料，提出从稀疏实验数据与物理定律中发现超弹性能量泛函数学表达式的机器学习框架。核心贡献是将多凸神经加性模型（polyconvex neural additive model，PNAM）与遗传编程结合，在满足物理约束的基础上生成紧凑、可解释的符号本构模型。 机制上，PNAM 在可学习特征空间中表示超弹性模型，并施加多凸性约束。该空间由一组一元基函数张成，基函数可重新参数化为更复杂的数学形式；随后通过遗传编程将各一元基函数转换为紧凑表达式。作者称，所得弹性模型满足多凸性，使声学张量在任意变形下保持椭圆性。具体约束实现及符号转换后保持这些性质的论证尚需核对全文。 作者报告，通过控制符号表达式的紧凑程度，部署时所需算术运算少于对应深度神经网络。这一目标服务于大规模材料仿真：每个增量时间步都需要更新各积分点的本构响应。摘要未提供运算量、运行时间或误差的具体数值，不能据此量化加速收益。 作者报告，与其他先进模型发现方法进行了比较，考察训练算法的稳健性与效率，以及符号模型可解释性、准确性和精度之间的权衡；数值结果提示，精确引入物理知识有助于在训练数据范围之外外推。具体材料、数据规模、划分方式、基线、指标、消融及统计信息尚未验证。 本文主要研究对象是材料本构关系，而非神经信号或 BCI。摘要未提供物理约束与 EEG 建模之间的具体对应机制，因此不据此推断 EEG/BCI 有效性，也不提出直接迁移实验。