Material-Agnostic Zero-Shot Thermal Inference for Metal Additive Manufacturing via a Parametric PINN Framework

📄 arXiv: 2604.14562v1 📥 PDF

作者: Hyeonsu Lee, Jihoon Jeong

分类: cs.LG, physics.app-ph, physics.comp-ph

发布日期: 2026-04-16

💡 一句话要点

提出一种参数化PINN框架，用于金属增材制造中材料无关的零样本热推断。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 金属增材制造 物理信息神经网络 零样本学习 热建模 参数化建模

📋 核心要点

  1. 金属增材制造中的热建模对于理解工艺-结构-性能关系至关重要，但现有方法在跨材料泛化方面存在挑战，需要大量数据或昂贵的训练。
  2. 论文提出一种参数化的物理信息神经网络(PINN)框架，通过解耦材料属性和时空坐标的编码，实现材料无关的零样本热推断。
  3. 实验表明，该框架在各种金属合金的激光粉末床熔融(LPBF)中表现出有效的零样本泛化能力，并显著提高了训练效率，降低了误差。

📝 摘要（中文）

精确的热建模在金属增材制造(AM)中对于理解工艺-结构-性能关系至关重要。虽然之前的研究已经探索了在未见过的工艺条件下的泛化，但它们通常需要大量的数据集、昂贵的重新训练或预训练。由于不同材料依赖的热行为带来的挑战，跨不同材料的泛化仍然相对未被探索。本文提出了一种参数化的物理信息神经网络(PINN)框架，用于在没有标签数据、重新训练或预训练的情况下，跨任意材料进行零样本泛化。该框架采用了解耦的参数化PINN架构，该架构分别编码材料属性和时空坐标，并通过条件调制融合它们，以更好地与材料参数在控制方程和边界条件中的乘法作用对齐。进一步结合了源自Rosenthal解析解的物理引导输出缩放和混合优化策略，以增强物理一致性、训练稳定性和收敛性。对包括分布内和分布外情况在内的各种金属合金的裸板激光粉末床熔融(LPBF)的实验表明，该框架具有有效的零样本泛化能力以及卓越的训练效率。具体而言，与非参数基线相比，所提出的框架在相对L2误差方面实现了高达64.2%的降低，同时仅用基线训练epoch的4.4%就超过了其性能。消融研究证实，所提出的框架的组件广泛适用于其他基于PINN的方法。总的来说，所提出的框架为零样本热建模提供了一种高效且可扩展的材料无关解决方案，有助于在金属AM中进行更灵活和实际的部署。

🔬 方法详解

问题定义：金属增材制造中的热建模需要考虑不同材料的热物理性质，现有方法在处理新材料时通常需要重新训练模型，成本高昂且效率低下。因此，如何在没有新材料数据的情况下，实现对不同材料的热行为的准确预测是一个关键问题。

核心思路：论文的核心思路是将材料属性作为PINN的输入参数，通过学习材料属性与温度场之间的映射关系，实现对不同材料的零样本泛化。通过解耦材料属性和时空坐标的编码，并使用条件调制进行融合，使模型能够更好地捕捉材料参数在控制方程中的作用。

技术框架：该框架主要包含以下几个模块：1) 参数化PINN：使用神经网络学习温度场分布，输入包括时空坐标和材料属性；2) 解耦编码器：分别编码材料属性和时空坐标，以更好地捕捉它们之间的关系；3) 条件调制：使用材料属性编码对时空坐标编码进行调制，实现材料属性对温度场的影响；4) 物理引导输出缩放：利用Rosenthal解析解进行输出缩放，增强物理一致性；5) 混合优化策略：结合不同的优化算法，提高训练稳定性和收敛速度。

关键创新：该方法最重要的创新点在于参数化的PINN架构，它能够将材料属性作为输入参数，从而实现对不同材料的零样本泛化。与传统的PINN方法相比，该方法不需要针对每种材料进行单独训练，大大提高了效率和可扩展性。

关键设计：在网络结构方面，使用了多层感知机(MLP)作为编码器和解码器。损失函数包括控制方程残差、边界条件残差和初始条件残差。优化算法采用了Adam和L-BFGS-B的混合策略，其中Adam用于快速收敛，L-BFGS-B用于提高精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该框架在各种金属合金的激光粉末床熔融(LPBF)中表现出有效的零样本泛化能力。与非参数基线相比，所提出的框架在相对L2误差方面实现了高达64.2%的降低，同时仅用基线训练epoch的4.4%就超过了其性能。消融研究也证实了该框架的组件可以广泛应用于其他基于PINN的方法。

🎯 应用场景

该研究成果可应用于金属增材制造工艺优化、材料选择和质量控制。通过零样本热建模，可以快速预测新材料在特定工艺条件下的温度场分布，从而指导工艺参数的调整，减少实验次数，降低成本，并提高产品质量。此外，该方法还可以用于研究不同材料的热行为，为新材料的开发提供理论指导。

📄 摘要（原文）

Accurate thermal modeling in metal additive manufacturing (AM) is essential for understanding the process-structure-performance relationship. While prior studies have explored generalization across unseen process conditions, they often require extensive datasets, costly retraining, or pre-training. Generalization across different materials also remains relatively unexplored due to the challenges posed by distinct material-dependent thermal behaviors. This paper introduces a parametric physics-informed neural network (PINN) framework for zero-shot generalization across arbitrary materials without labeled data, retraining, or pre-training. The framework adopts a decoupled parametric PINN architecture that separately encodes material properties and spatiotemporal coordinates, fusing them through conditional modulation to better align with the multiplicative role of material parameters in the governing equation and boundary conditions. Physics-guided output scaling derived from Rosenthal's analytical solution and a hybrid optimization strategy are further incorporated to enhance physical consistency, training stability, and convergence. Experiments on bare plate laser powder bed fusion (LPBF) across diverse metal alloys, including both in-distribution and out-of-distribution cases, demonstrate effective zero-shot generalizability along with superior training efficiency. Specifically, the proposed framework achieved up to a 64.2% reduction in relative L2 error compared to the non-parametric baseline while surpassing its performance within only 4.4% of the baseline training epochs. Ablation studies confirm that the proposed framework's components are broadly applicable to other PINN-based approaches. Overall, the proposed framework provides an efficient and scalable material-agnostic solution for zero-shot thermal modeling, contributing to more flexible and practical deployment in metal AM.