GPT-Micro：一种大型语言范例，用于加速、廉价且热力学一致地发现制造中的本构模型

过程施加的材料状态和基本材料属性之间关系的本构建模对于制造过程中材料微观结构的控制至关重要。由于模型功能形式的假设和修订通常依赖于易犯错误的人类专业知识和直觉，因此准确性有限，导致模型发现增量且耗时。传统的机器学习 (ML) 会产生大量的数据生成成本和时间。使用 大语言模型 (LLM) 的模型发现存在上述问题和/或忽略了基本热力学定律的不可侵犯性。这项工作创建了一种新颖的 GPT-Micro 范例，用于自主、数据稀疏且符合热力学的从头本构模型发现。该框架将文献中的语义知识提取、基于热力学的守恒定律和稀疏数据集的执行与 LLM 驱动的模型假设的生成和细化无缝集成。在印刷电子工艺测试台中对长期棘手的本构建模问题进行验证。与最先进的技术相比，这显示出显着的同步优势，包括： (a) 相对于基于 ML 的建模，数据负担减少 70% 以上，且不损失准确性； (b) 与人工驱动建模相比，数据生成后的发现时间从数月缩短至数小时，减少了 400 倍； (c) 发现具有新颖功能形式的模型，而无需人类主观选择起始假设； (d) 通过综合紧凑、符合保护和物理完整的分析模型，增强基于物理的可信度、人类可解释性和机械洞察力。讨论了 GPT-Micro 在整个制造领域实现快速、低成本、物理上可靠且可解释的微观结构建模的潜力。