300 多年来，科学家们已经知道如何将基础物理转化为数学公式，并且由于技术进步，已经开发出大量数值工具和方法来计算求解复杂方程并预测各种机械问题的正确答案.
然而，直接求解这些方程会耗费时间并且变得更加困难，系统越复杂，迫使研究人员使用近似值而不是系统的所有变量。
现在，朝着准确和快速预测复杂材料力学迈出了一大步。科学家使用深度神经网络计算复杂材料中的局部应力，这比标准求解器快8300倍。用于材料力学的机器学习求解器
我们的新工作展示了所有这些计算如何被机器学习取代。相关人员解释说，我们没有直接求解方程，而是开发了一个神经网络，该网络可以学习物理学并通过查看大量数据来预测复杂和非线性力学问题的正确答案。
在使用预先计算的正确物理响应进行训练后，神经网络能够预测在训练期间从未遇到过的问题和配置的解决方案。就像一位经验丰富的工程师对复杂的机械问题产生直觉并能够在几秒钟内做出有根据的猜测一样，该网络似乎可以在几微秒内学习基础物理并预测解决方案。尽管系统具有非线性或复杂性，但网络的预测速度比传统求解器快几个数量级。与需要迭代（试错）方法来解决非线性问题的传统求解器不同，经过训练的机器学习求解器不是迭代的。
这种方法可以取代传统的求解器，增强我们对多尺度和多物理场问题的理解。我们的求解器消耗的计算时间减少了几个数量级，为高级材料模型开辟了新的可能性。结合我们的机器学习技术将帮助我们使模型更具预测性和现实性，因为它可以优化更复杂的系统。
研究人员现在将扩展机器学习方法的灵活性和范围，以做出更准确的预测。他们还计划研究使用传统方法求解耗时的其他重要方程。