利用图神经网络预测架构化超材料的变形机制
材料科学
2022-03-08 v2
摘要
当前晶格架构力学超材料的设计与建模范式主要局限于有限元分析等传统数值方法。近来，机器学习与人工智能技术的使用已变得流行，本文将这些思想推广至架构化超材料。我们表明基于桁架的晶格天然类似于计算图，而计算图可作为快速发展的图神经网络（GNN）领域的输入。使用包含数千种此类极复杂晶格的数据集训练 GNN，以预测潜在的主导变形机制，即拉伸与弯曲。训练后的 GNN 在先前未见的复杂晶格数据集上达到 >90% 的准确率。这种基于图的超材料学习能够预测从弹性模量到断裂韧性的一系列性质，并有望实现具有优异性能的涌现超材料的 AI 驱动发现。
引用
@article{arxiv.2202.09427,
title = {Predicting deformation mechanisms in architected metamaterials using GNN},
author = {Padmeya Prashant Indurkar and Sri Karlapati and Angkur Jyoti Dipanka Shaikeea and Vikram S. Deshpande},
journal= {arXiv preprint arXiv:2202.09427},
year = {2022}
}
备注
7 pages, 6 figures