基于深度生成建模的超材料系统机理学习与设计
计算工程、金融与科学
2020-09-17 v2 机器学习
机器学习
摘要
超材料正作为一种新的范式材料系统出现，为广泛的工程应用提供前所未有的且可定制的属性。然而，由于其高维拓扑设计空间、多个局部最优解以及高计算成本，超材料及其多尺度系统的逆向设计具有挑战性。为应对这些障碍，我们提出了一种基于深度生成建模的新型数据驱动超材料设计框架。在一个大型超材料数据库上同时训练变分自编码器（VAE）和用于属性预测的回归器，将复杂微结构映射到低维、连续且有组织的潜空间。我们在本研究中表明，VAE的潜空间提供了度量形状相似性的距离度量，能够实现微结构之间的插值，并编码几何与属性中有意义的变异模式。基于这些见解，提出了用于微结构、梯度族和多尺度系统设计的数据驱动系统方法。对于微结构设计，通过在潜空间中的简单向量操作即可轻松实现力学属性的调节和微结构的复杂操控。该向量操作进一步扩展为通过在构建的图模型上搜索来生成具有受控力学属性梯度的超材料族。对于多尺度超材料系统设计，可使用VAE针对不同时位置的目标属性快速生成多样化微结构，然后通过高效的基于图的优化方法组装以确保相邻微结构间的兼容性。我们通过设计实现期望畸变行为的功能梯度与非均匀超材料系统展示了我们的框架。
引用
@article{arxiv.2006.15274,
title = {Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems},
author = {Liwei Wang and Yu-Chin Chan and Faez Ahmed and Zhao Liu and Ping Zhu and Wei Chen},
journal= {arXiv preprint arXiv:2006.15274},
year = {2020}
}