في عالم ميكانيكا المواد الصلبة، يُعتبر تحديد القانون التركيبي لمادة ما مهمة محورية تتعلق بعلاقة تاريخ التشوه (strain) بالضغط (stress). ولقد عقدت التطورات الأخيرة في مجال التعلم الآلي (Machine Learning) آمالاً جديدة في هذا المجال. اليوم، نقدم لكم الشبكات العصبية الهامة لكولموغوروف-أرنولد (iCKANs)، وهي بنية جديدة للشبكات العصبية الاصطناعية قادرة على اكتشاف القوانين التركيبية الرمزية التي تصف كلاً من السلوك المرن واللزج للمواد بشكل تلقائي.

تقوم هذه الشبكات بتحويل بيانات اختبارات المواد إلى دوال رياضية دقيقة، تعبر عن السلوك اللزج والمرن للمواد، وذلك في شكل مغلق. ولإثبات فعالية هذه الشبكات، تم اختبارها باستخدام بيانات صناعية وأخرى تجريبية لمواد بوليمرية لزجة مثل VHB 4910 وVHB 4905. وقد أظهرت النتائج أن الشبكات العصبية iCKANs تُسجل بشكل جيد السلوكيات الغير المرنة المعقدة مع الحفاظ على إمكانية الفهم الفيزيائي.

من المزايا البارزة لـ iCKANs أنها قادرة على معالجة البيانات الميكانيكية، وأيضاً المعلومات الإضافية المتاحة عن المادة، ويشمل ذلك تأثير درجة الحرارة. هذا يجعلها أداة قوية يمكن استخدامها في المستقبل للكشف عن كيفية تأثير ظروف المعالجة أو الخدمة على خصائص المواد.

تُعتبر هذه الشبكات نقلة نوعية في مجال علوم المواد، مما يوفر للباحثين والأكاديميين الأدوات اللازمة لفهم سلوك المواد بشكل أفضل، ويعد هذا الابتكار بمثابة خطوة نحو تعزيز الاعتماد على الذكاء الاصطناعي في الأبحاث العلمية.