近日，我院瞿同明教授在岩土工程计算领域权威期刊《Computers and Geotechnics》发表了题为“Artificial intelligence for computational granular media”的论文。赵吉东为通讯作者，冯云田为第三作者。

  论文链接：https://www.sciencedirect.com/science/article/pii/S0266352X25002599

论文简介

人工智能（AI）正以前所未有的变革力量加速科学发现、推动工程创新。在计算颗粒力学这一细分领域中，AI 是否同样展现出强大潜力？本文系统梳理了过去十余年间，AI 在颗粒计算领域的研究进展，并围绕以下三大核心问题展开探讨：

       · AI能够解决颗粒材料计算中哪些长期存在的关键问题？

       · AI如何重塑现有的颗粒材料计算仿真流程？

       · AI为计算颗粒力学领域带来了哪些新机遇和新挑战？

       计算颗粒力学在算法层面追求“算得准、算得快、算得稳”，在应用层面则致力于通过仿真数据揭示物理机制、优化工程/工业实践。本文将 AI 在该领域的应用归纳为三大方向：

（1） AI加速的模拟仿真

       涵盖颗粒材料的数据驱动多尺度计算与本构模拟、基于多层感知机的离散元接触建模、基于卷积神经网络的侵入式离散元降阶模拟、基于循环神经网络与图神经网络的非侵入式离散元降阶模拟，以及AI辅助的计算流体力学(CFD)-离散元(DEM)耦合建模。AI虽不能完全替代传统方法，但有望成为提升仿真效率的关键增强工具。

（2） AI驱动的模式识别与知识发现

      旨在从复杂数据中提取深层规律，揭示新物理机理。具体涉及颗粒形状与级配识别、试样三维重构与自动生成、接触力网络预测、宏观特性表征，以及数据驱动的物理规律发现。AI 能够拓展人类认知边界，识别易被忽略的复杂模式，提升从仿真中提取知识的效率。

（3） AI 辅助的颗粒力学反分析

      总结了AI用于颗粒计算中常见的经典反问题，包括颗粒参数的自动标定、特定场景的仿真优化，以及物理信息神经网络在颗粒建模中的应用探索。可微分、轻量化的 AI 代理模型，为解决计算颗粒力学中一些长期存在的反问题提供了新的途径。

      文章从“数据”与“模型”两个角度探讨了数据驱动颗粒计算力学当前面临的挑战。为促进数据驱动方法在计算颗粒力学以及颗粒相关工程和工业领域的应用，我们构建了一个面向行业数据共享与管理的元数据平台“Clear Data Bay”/“清数湾”（https://www.cleardatabay.com），助力专业领域数据的高效流通与价值释放。

      文章也指出AI并非万能，其模型往往难以泛化至训练数据之外的场景，且预测结果常缺乏可解释性。然而，随着 AI 技术的持续进步以及与领域知识的深度融合， AI 驱动的计算颗粒力学方法有望突破传统模型的局限，显著提升计算的精度、效率和能力，持续赋能颗粒材料相关的科研与工程创新。

图 1 机器学习与颗粒计算

图 2 机器学习在颗粒材料计算中的三类应用场景

图 3 颗粒材料数据驱动多尺度/本构模拟计算中的部分应用案例

图 4 Clear Data Bay/清数湾网站 (https://www.cleardatabay.com)