GINNGER：基于 GENERIC 的神经网络用于生成式流变学

GINNGER 将 GENERIC 形式嵌入学习过程，从微观流动数据中发现满足热力学第一、第二定律的本构方程，无需预设唯象本构模型。该框架在聚合物构象张量的本征特征空间中做谱表述，使剪切、拉伸和混合流动数据共同发现一个可跨变形协议与流场几何泛化的本构模型。高保真模拟验证显示其能准确重构本构行为并预测未见几何下的复杂流场。