微观结构感知深度学习连接原子尺度与宏观尺度，用于冲击转爆轰预测

《Scientific Reports》：Microstructure-aware deep learning bridges atomistics to macroscale for shock-to-detonation prediction

　　能源材料中的激波-爆轰转变受极端温度、压力和应变率下耦合过程的支配，跨越从埃到毫米的空间尺度以及从飞秒到微秒的时间尺度。由于所涉及现象之间缺乏平衡和尺度分离，传统多尺度模型无法有效应对。我们通过MISTnetX——一种卷积深度神经网络，直接桥接大规模分子动力学（MD）模拟与连续介质有限元（FE）模型，解决了这一重大挑战。MISTnetX基于激波在复杂微观结构中传播的MD模拟进行训练，能够捕捉激波与微观结构的相互作用、热点形成以及向爆燃的转变，为力学、激波、热传输和化学反应的有限元模拟提供关键的亚网格信息。将该方法应用于一种合成但具有现实意义的纳米结构塑料粘结RDX复合材料，MISTnetX能够实现从跑燃到爆轰完整转变的无参数预测。