[論文レビュー] Differentiable graph-structured models for inverse design of lattice materials

Dominik Dold, Derek Aranguren van Egmond|arXiv (Cornell University)|Apr 11, 2023

Machine Learning in Materials Science参考文献 53被引用数 4

ひとこと要約

本稿では、メッセージパッシングを用いた微分可能機械的性質予測とサーヴェイグレディエントを用いた幾何学的構造および局所的属性の最適化により、格子材料の逆設計のための微分可能グラフ構造ディープラーニングフレームワークを提案する。この手法により、正則および不規則な格子トポロジーの両方を高精度に目標機械的性質を達成しつつ、効率的かつスケーラブルに逆設計が可能になる。

ABSTRACT

Architected materials possessing physico-chemical properties adaptable to disparate environmental conditions embody a disruptive new domain of materials science. Fueled by advances in digital design and fabrication, materials shaped into lattice topologies enable a degree of property customization not afforded to bulk materials. A promising venue for inspiration toward their design is in the irregular micro-architectures of nature. However, the immense design variability unlocked by such irregularity is challenging to probe analytically. Here, we propose a new computational approach using graph-based representation for regular and irregular lattice materials. Our method uses differentiable message passing algorithms to calculate mechanical properties, therefore allowing automatic differentiation with surrogate derivatives to adjust both geometric structure and local attributes of individual lattice elements to achieve inversely designed materials with desired properties. We further introduce a graph neural network surrogate model for structural analysis at scale. The methodology is generalizable to any system representable as heterogeneous graphs.

研究の動機と目的

• 宇宙構造物など極限環境に適した機械的性質を有する格子材料の設計という課題に取り組む。
• 不規則で自然界にインspiredされた格子トポロジーの膨大な設計空間を扱う際の解析的手法の限界を克服する。
• 幾何的配置と局所的材料属性を同時に最適化することで、格子材料の逆設計を可能にする。
• 効率的な最適化を可能にする自動微分をサポートするスケーラブルで微分可能なフレームワークを開発する。
• 任意の異種グラフとして表現可能なシステムに一般化可能であり、格子材料を超えた広範な応用性を実現する。

提案手法

• ノードが幾何的および材料的属性を符号化し、エッジが接続性を表す異種グラフとして格子材料を表現する。
• 反復的隣接集約を通じて機械的性質（例：剛性、柔軟性）を計算する微分可能なメッセージパッシングアルゴリズムを採用する。
• メッセージパッシングプロセスを逆伝播可能にするために自動微分を統合し、エンドツーエンド最適化を可能にする。
• 大規模な機械的応答予測のため、有限要素解析への依存度を低減するためにグラフニューラルネットワーク（GNN）のサーヴェイモデルを訓練する。
• サーヴェイグレディエントを用いて、トポロジー（グラフ構造）およびノード属性（例：厚さ、密度）を同時に最適化し、望ましい目標性質に近づける。
• フレームワークの微分可能特性を活用して、高次元設計空間における勾配ベース最適化による逆設計を実現する。

実験結果

リサーチクエスチョン

• RQ1 グラフ構造モデルにおける微分可能メッセージパッシングは、格子材料の機械的性質を正確かつスケーラブルに予測可能か？
• RQ2 サーヴェイグレディエントは、逆設計においてトポロジーと局所的属性の両方をどの程度効果的に最適化できるか？
• RQ3 従来のアプローチと比較して、本手法は不規則でバイオミメティックな格子トポロジーの設計においてどの程度優れているか？
• RQ4 GNNベースのサーヴェイモデルは、計算コストの高い有限要素シミュレーションを設計プロセスで効果的に置き換えられるか？
• RQ5 本フレームワークは、格子材料を超える異種グラフベースのシステムに対してもどの程度一般化可能か？

主な発見

• 微分可能メッセージパッシングフレームワークは、エンドツーエンド最適化を支援する勾配を備えた正確な機械的性質予測を可能にする。
• 幾何的構造と局所的属性の共同最適化により、目標剛性および柔軟性値を達成する格子材料の逆設計に成功した。
• GNNサーヴェイモデルは、完全な有限要素解析と比較して、計算コストを複数桁低減しつつも高い予測精度を維持した。
• 自然のミクロ構造にインspiredされた不規則でバイオミメティックな格子トポロジーに対しても、本手法は効果的に一般化された。
• 微分可能力学に基づく勾配最適化により、従来の進化的またはヒューリスティック手法よりも少ないイテレーションで最適設計に収束した。
• 本フレームワークは、複雑で高次元のパrameter空間におけるスケーラブルな設計探索を可能にし、直感的でないトポロジーの発見を実現した。