重磅！破百年难题，青年博士连发三篇Nature，纳米催化材料领域迎来新浪潮！

本文介绍了基于无监督学习的神经网络（NN-EUCLID）在超弹性材料本构模型中的应用。传统模型依赖大量应力-应变数据和监督学习，导致泛化性和可解释性有限。NN-EUCLID仅使用位移、应变和外部作用力等易于测量的数据进行训练，能够在不知道应力的情况下学习超弹性材料的本构行为。文章还讨论了物理约束的深度学习模型在异质材料多尺度模拟中的应用，通过引入新的损失分量提高模型热力学一致性，减少对标记数据的依赖。实验表明，该模型在预测微观结构响应和嵌入3D多尺度模拟中表现优异，比纯数据驱动模型更准确，比机械降阶模型效率更高。