基于极少量样本的可切换训练方法开发人工力学直觉

本研究针对人工智能在力学直觉领域难以从小样本学习的问题，提出样本可切换训练方法（sample-switchable training），通过≤3个样本成功训练神经网络掌握最速降线、悬链线及弹性板大变形问题的高精度预测能力。该模型直觉预测能力随样本量非线性增长，揭示了人类通过少量案例形成力学直觉的机制，为AI在材料变形预测领域的应用提供了新范式。

　　

论文解读
在科幻电影中，人工智能常能像人类专家一样直觉预判材料变形轨迹——这种场景正被中国研究人员变为现实。传统AI依赖海量数据训练，但人类力学专家仅需观察几个案例就能形成高精度直觉，例如建筑工程师凭经验快速评估结构应力状态，或牛顿通过两个炮弹轨迹样本推理出天体运动规律。如何让AI具备这种"小样本学习"能力成为关键挑战。浙江大学团队在《Extreme Mechanics Letters》发表的研究，通过创新性样本可切换训练方法，首次实现了基于≤3个样本的人工力学直觉开发。

研究采用多任务学习架构，将样本依赖性特征（s_dep
）与独立性特征（s_ind
）同时编码至多层感知机（MLP），通过动态切换损失函数模拟人类教师用有限习题训练学生思维的过程。关键技术包括：1）物理功能驱动的损失函数设计；2）神经元路径学习活性分析；3）三维位移场的非线性应变建模。训练数据来源于经典力学问题（最速降线、悬链线）及弹性板大变形实验。

样本可切换训练
通过分离样本依赖/独立特征，模型在训练时动态切换不同样本的损失函数。如图2a所示，这种设计使网络能自主识别关键特征关联性，如在悬链线问题中优先学习张力与弧长的非线性关系。

二维轨迹的直觉学习
以最速降线问题为例，仅用3个初始速度样本训练后，模型对未知初速的轨迹预测误差<2%。更惊人的是，其预测精度随样本量呈指数级提升，符合人类"顿悟"式的学习曲线。

样本特征的优先学习机制
通过分析神经元激活路径，发现模型会自发强化对物理本质特征的学习。例如在弹性板变形中，厚度参数（h）的学习活性是载荷参数（p）的3.2倍，与工程经验完全吻合。

三维位移场预测
对于几何非线性的弹性板大变形问题，模型仅需2个压力样本就能预测全场位移，最大应变误差控制在5%以内，远超传统有限元分析的迭代效率。

这项突破性研究证明：1）AI可通过极少量样本建立媲美人类的力学直觉；2）预测能力与样本量存在非线性关系，暗示存在"直觉临界点"；3）学习活性分析使AI决策过程可解释。该成果不仅为结构健康监测、柔性机器人控制等领域提供新工具，更揭示了智能体模仿人类认知的可行路径。正如通讯作者Shuze Zhu强调的，这种"物理功能驱动+小样本学习"范式，或将重塑AI在计算力学中的应用格局。