ML-based identification of the interface regions for coupling local and nonlocal models

本地-非本地耦合方法结合了本地模型的计算效率和非本地模型的精度。然而，耦合过程具有挑战性，需要专业知识来确定本地和非本地区域之间的界面。本研究介绍了一种基于机器学习的方法来自动检测应在耦合方法中使用本地和非本地模型的区域。该识别过程使用加载函数，并提供所选模型在网格点处的输出。训练基于加载函数的数据集，其中使用准确的耦合解计算参考耦合配置，其中准确性以耦合方法的解与非本地模型的解之间的相对误差来衡量。我们研究了两种方法，它们在数据结构方面有所不同。第一种方法称为全域输入数据方法，输入完整的负载向量并输出完整的标签向量。在这种情况下，分类过程是全局进行的。第二种方法是基于窗口的方法，其中负载被预处理并分成窗口，并且问题被制定为节点分类方法，其中每个窗口的中心点被单独处理。分类问题通过基于卷积神经网络的深度学习算法来解决。这些方法的性能是通过使用F1分数和准确度指标在一维数值示例上进行研究的。特别是，结果表明，窗口方法提供了有希望的结果，实现了0.96的准确度和0.97的F1分数。这些结果强调了该方法自动化耦合过程的潜力，从而为材料科学应用提供更精确和计算效率更高的解决方案。

本文旨在提出一种基于机器学习的方法来自动检测本地和非本地模型应该在哪些区域进行耦合。该方法的目的是提高材料科学应用的精度和计算效率。

本文提出了两种不同的方法来解决耦合问题，即全域输入数据方法和基于窗口的方法。两种方法都采用卷积神经网络进行分类，其中基于窗口的方法在一维数值实验中表现出较高的准确性。

本文的亮点包括提出了一种自动化耦合过程的机器学习方法，使用卷积神经网络进行分类，通过F1分数和准确性度量方法来评估模型的性能。

最近的相关研究包括使用机器学习方法来解决材料科学中的其他问题，例如预测材料的性质和行为。