基于不确定性感知的深层学习框架用于鲁棒 metamaterial 单元设计优化
信号处理
2024-07-31 v1 材料科学
机器学习
摘要
机械亚材料代表一种创新的人工结构类，由其超常机械特性所特标识志，这些特性超出了传统天然材料的范围。深度生成模型的使用在亚材料单元设计中日益流行。深度生成模型的有效性在于其将复杂输入数据压缩到简化的低维潜在空间，同时通过在该空间中进行采样来创建新型最优设计。然而，该设计过程未考虑因数据稀疏导致的模型不确定性，或因数据本身内在随机性导致的输入数据不确定性。这可能导致生成高灵敏度对系统不确定性不稳定的结构。为解决此问题，本文提出一种基于不确定性感知的深度学习框架，用于亚材料单元的鲁棒设计优化。该方法利用深度学习框架的概率性质，量化了基于代理的设计优化中所涉及的 aleatoric 不确定性和 epistemic 不确定性。我们展示了该设计方法能够设计出具有高可靠性的高性能亚材料单元。为展示所提出设计方法的有效性，本文提出了单目标设计优化问题和多目标设计优化问题。所获得的最优鲁棒设计通过与基于拓扑优化方法获得的设计以及基于确定性深度学习框架进行的设计（即未显式考虑系统中任何不确定性）进行比较验证。
引用
@article{arxiv.2407.20251,
title = {An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units},
author = {Zihan Wang and Anindya Bhaduri and Hongyi Xu and Liping Wang},
journal= {arXiv preprint arXiv:2407.20251},
year = {2024}
}