利用强化学习设计具有目标有效杨氏模量的复合材料
材料科学
2021-10-12 v1 图形学
机器学习
摘要
增材制造的进步使得以往无法实现的材料与结构设计及制备成为可能。特别地，复合材料与结构的设计空间大幅扩展，由此带来的规模与复杂性对暴力搜索和一次一因子（OFAT）探索等传统设计方法寻找最优或定制设计构成了挑战。为应对该挑战，监督式机器学习方法应运而生，利用精选训练数据对设计空间建模；然而训练数据的选取常由用户决定。本工作中，我们开发并利用了基于强化学习（RL）的复合材料结构设计框架，避免了用户选定训练数据的需要。对于由软、柔顺基元材料块构成的 5 5 复合材料设计空间，我们发现采用该方法，模型可使用仅占总数 种可能设计 2.78% 的设计空间完成训练。此外，所开发的基于 RL 的框架能以超过 90% 的成功率找到设计。该方法的成功激励未来学习框架利用 RL 进行复合材料及其他材料体系的设计。
引用
@article{arxiv.2110.05260,
title = {Designing Composites with Target Effective Young's Modulus using Reinforcement Learning},
author = {Aldair E. Gongora and Siddharth Mysore and Beichen Li and Wan Shou and Wojciech Matusik and Elise F. Morgan and Keith A. Brown and Emily Whiting},
journal= {arXiv preprint arXiv:2110.05260},
year = {2021}
}
备注
Accepted to the Symposium on Computational Fabrication (SCF) 2021