基于神经算子的随机架构超材料的力学表征与逆向设计
材料科学
2023-12-12 v2 人工智能
摘要
机器学习（ML）正成为架构材料设计中的变革性工具，其提供的性能远超基于实验室试错法所能实现的。然而，当前逆向设计策略的一个主要挑战是它们依赖大量的计算和/或实验数据集，这在设计表现出非线性力学行为的微尺度随机架构材料时尤为棘手。在此，我们引入了一种新的端到端科学 ML 框架，利用深度神经算子（DeepONet），从稀疏但高质量的原位实验数据直接学习架构超材料的完整微观结构与力学响应之间的关系。该方法促进了针对特定非线性力学行为的结构逆向设计。通过双光子光刻打印的自旋odal 微观结构所获得的结果表明，力学响应的预测误差在 5 - 10% 范围内。我们的工作强调，通过将神经算子与先进微力学实验技术结合使用，即使在数据稀缺的约束场景下，设计具有期望性能的复杂微架构材料也变得可行。我们的工作标志着材料按设计领域的重大进展，可能预示着直接从实验洞察中衍生出具有无与伦比力学特性的下一代超材料的发现与开发的新时代。
引用
@article{arxiv.2311.13812,
title = {Mechanical Characterization and Inverse Design of Stochastic Architected Metamaterials Using Neural Operators},
author = {Hanxun Jin and Enrui Zhang and Boyu Zhang and Sridhar Krishnaswamy and George Em Karniadakis and Horacio D. Espinosa},
journal= {arXiv preprint arXiv:2311.13812},
year = {2023}
}
备注
29 pages, 5 figures