在固体力学中，识别材料的本构定律，即应变历史与应力之间的关系，是一个关键问题。近年来，机器学习在这一领域取得了显著进展。本文介绍了非弹性构成Kolmogorov-Arnold网络（iCKANs），这是一种新颖的人工神经网络架构，能够自动发现描述材料弹性和非弹性行为的符号本构定律。它能够将材料测试的数据转化为相应的弹性和非弹性势函数，以封闭的数学形式表达。
我们使用合成数据和实验数据（包括粘弹性聚合物材料VHB 4910和VHB 4905）展示了iCKANs的优势。结果表明，iCKANs能够准确捕捉复杂的粘弹性行为，同时保持物理可解释性。iCKANs的一大特长是能够处理不仅仅是机械数据，还能够处理关于材料的任意附加信息（例如温度依赖行为）。这使得iCKANs在未来能够成为发现特定加工或服务条件如何影响材料性质的强大工具。
博主点评： iCKANs的提出为材料科学领域带来了新的视角，通过机器学习自动发现本构模型，不仅提高了效率，也增强了模型的可解释性，具有广泛的应用潜力。