美国国家超级计算应用中心（NCSA）和伊利诺伊大学厄巴纳-香槟分校（UIUC）格雷格工程学院的研究人员利用人工智能在应力预测研究方面取得了长足进步。他们的工作侧重于深度运算器网络（DeepONet）的实现，旨在改进复杂几何形状（如增材制造中的几何形状）中的应力响应预测。与传统的有限元方法相比，他们利用 NCSA 的 Delta 系统取得了明显更快的结果。

该团队通过伊利诺伊计算项目（Illinois Computes）开展研究，该项目提供广泛的计算和数据存储资源。这项计划促进了各学科之间的合作，将机器学习和计算力学结合在了一起。Delta系统以其高性能GPU计算能力而闻名，在使用Abaqus软件训练深度神经网络和生成训练数据方面发挥了至关重要的作用。

这项研究发表了两篇重要文章。第一篇发表在 "应用力学与工程中的计算机方法 "上，介绍了一种使用残余U网（ResUNet）对复杂几何形状进行编码的新型DeepONet。这种方法标志着 ResUNet 在 DeepONet 架构中的首次应用，展示了优于传统方法的内存效率和灵活性。

第二篇论文发表在《人工智能的工程应用》（Engineering Applications of Artificial Intelligence）上，介绍了另一种创新的 DeepONet 版本--S-DeepONet。它利用先进的顺序学习方法，在不同热负荷和机械负荷下提供更高精度的多物理场解决方案。

"UIUC 机械科学与工程教授 Iwona Jasiuk 说："增材制造是一种革命性的制造技术，为其实施带来了几乎无限的可能性。

"DeepONet是一种强大而快速的计算工具，可以在各种空间和时间尺度上模拟增材制造过程。要深入了解增材制造过程及其实施和监控，就需要进行这样的模拟。"

这项研究不仅是人工智能应用领域的一次飞跃，而且对先进制造工艺和数字双胞胎的开发具有重要意义。NCSA与MechSE之间的合作努力凸显了多学科专业知识和尖端技术的协同作用。