基于强化学习的用于机械能约束与放大的优化梯度超材料

本文描述了一种利用强化学习设计用于机械能约束与放大的优化梯度超材料的方法。通过近端策略优化算法，训练强化智能体以最优方式设置谐振器阵列的长度与间距。该设计优化问题通过将优化过程拆分为离散数量的决策，被形式化为一个马尔可夫决策问题。由于梯度超材料的物理特性由局域共振的空间分布所支配，通过使用连续函数描述谐振器排布，对可能构型的空间进行了约束。通过将所分析系统视为局域共振系统，进行了初步的解析研究以表征其色散特性。优化过程的结果证实了先前研究的结论，既凸显了所提方法的有效性，也表明了梯度谐振器系统在用于机械能约束与放大时的鲁棒性。研究表明，相较于谐振器长度（亦即谐振器的振荡频率），谐振器间距的作用居于次要地位。然而，研究同样表明减少谐振器数量可能是有利的。关于谐振器长度与间距联合优化的结果，得益于对分析时长的自适应控制，显著超越了已知系统的性能：其几乎仅通过延长能量采集器振荡所持续的时间而不放大这些振荡来实现。所提方法适用于广泛的设计优化问题，只要设计选择的效果可通过数值模拟进行评估。