Tsinghua Researchers Propose XDEM, a Unified Deep Learning Method for Fracture Mechanics
Researchers at Tsinghua University and collaborators published a paper in Nature Communications on August 15, 2026, introducing the Extended Deep Energy Method (XDEM), a unified deep learning framework for fracture mechanics. XDEM combines discrete and continuous fracture models, building on the Deep Energy Method (DEM) and incorporating crack and extended functions to handle discontinuous cracks while leveraging variational potential energy minimization for high accuracy with sparse collocation points.
Coverage timeline
机器之心机器之心
编辑丨>^< 一块材料在外力作用下发生断裂，看起来似乎只是出现了一条裂缝，但对于计算力学而言，这恰恰是最麻烦的问题之一。 裂纹尖端附近会出现高度集中的应力场，材料一旦开始破坏，裂纹还可能继续向前扩展、发生偏转，甚至形成分叉。要准确预测这些过程，计算方法不仅需要知道材料当前的变形状态，还必须正确描述裂纹本身以及裂尖附近的局部物理行为。 清华大学等机构的研究人员提出的 Extended Deep Energy Method（XDEM），正尝试着将离散与连续断裂模型相结合，构建一个统一的深度学习框架。 相关研究以「 Towards unified AI-driven fracture mechanics: the extended deep energy method (XDEM) 」为题，于 2026 年 8 月 15 日发表于《 Nature Communications 》。 论文链接： https://www.nature.com/articles/s41467-026-76748-1 把两套模型放进一个框架 传统断裂力学大致存在两条路线。 一种是 离散裂纹模型， 直接把裂纹当作一条真实的不连续面来处理，例如 VCCT、CZM 以及 XFEM 等方法。这类方法计算效率较高，但通常需要明确表示裂纹的位置，并根据相应的断裂准则决定裂纹如何继续扩展。 另一种是 连续损伤模型 ，其中比较典型的是 phase-field 方法。它不再把裂纹表示成一条无限尖锐的线，而是用一个连续的损伤场把裂纹扩散到一定区域，因此能够更自然地描述裂纹萌生、扩展以及复杂裂纹网络。 研究团队提出的 XDEM 建立在 Deep Energy Method，也就是 DEM 之上。与常见的 Physics-Informed Neural Networks（PINNs）不同的是，它不是主要通过把控制方程逐点塞进损失函数来训练网络，而是以 变分势能最小原理为基础。 图 1：XDEM 的示意图，由离散和连续模型组成。 其核心思路是将解析力学先验嵌入神经网络，降低优化难度，实现稀疏均匀配点下的高精度求解。 对于离散裂纹，研究团队加入了两个关键组成部分： crack function（裂纹函数） 和 extended function（扩展函数） 。 前者是一个解析函数，在裂纹两侧取不同的值，作为额外输入喂给神经
