Nano Lett. | 复旦大学：物理嵌入图学习预测半柔性网络非放射变形

本文介绍了复旦大学凌盛杰研究员团队在Nano Letters上发表的一项研究，提出了一种物理嵌入图学习网络力学预测模型（GNMP），用于预测半柔性无序纤维网络的变形行为。背景方面，无序纤维网络广泛存在于生物组织和工程材料中，其宏观力学行为与微观拓扑结构紧密相关，但传统方法如分子动力学模拟计算成本高，连续体理论难以捕捉应变局部化，而普通图神经网络缺乏对半柔性网络特有物理约束的整合。研究目的是开发一个融合物理信息的专用图学习框架，通过将节点度、边界约束等物理量作为嵌入特征，结合注意力机制，以准确预测网络的非线性变形，特别是非放射变形特性。结论显示，GNMP模型对应力-应变曲线的预测精度达到R²=0.92，计算时间大幅减少，每步变形预测仅需约0.1秒，并能有效捕捉网络的非放射变形特征，如网格尺寸对数减少和拓扑结构变化，为纤维网络材料的分析及生物仿生软组织和柔性功能材料研究提供了有效的计算工具。