[論文レビュー] Experiment-informed finite-strain inverse design of spinodal metamaterials

Prakash Thakolkaran, Michael A. Espinal+3 more|arXiv (Cornell University)|Dec 18, 2023

Topology Optimization in Engineering被引用数 4

ひとこと要約

本研究では、特定の有限ひずみ機械的応答を有するスピンodalメタマテリアルの逆設計を実験的知見と物理的制約を組み合わせた機械学習フレームワークを用いて実現する。107件の実験的に測定された応力-ひずみ曲線（最大40%ひずみまで）の少数データセットを活用し、部分入力凸ニューラルネットワーク（PICNNs）による物理的インダクティブバイアスを用いて非凸エネルギーポテンシャルをモデル化することで、高精度な予測と最適化が可能となり、高精度なシミュレーションに依存せずに複雑な非線形挙動を扱える。

ABSTRACT

Spinodal metamaterials, with architectures inspired by natural phase-separation processes, have presented a significant alternative to periodic and symmetric morphologies when designing mechanical metamaterials with extreme performance. While their elastic mechanical properties have been systematically determined, their large-deformation, nonlinear responses have been challenging to predict and design, in part due to limited data sets and the need for complex nonlinear simulations. This work presents a novel physics-enhanced machine learning (ML) and optimization framework tailored to address the challenges of designing intricate spinodal metamaterials with customized mechanical properties in large-deformation scenarios where computational modeling is restrictive and experimental data is sparse. By utilizing large-deformation experimental data directly, this approach facilitates the inverse design of spinodal structures with precise finite-strain mechanical responses. The framework sheds light on instability-induced pattern formation in spinodal metamaterials -- observed experimentally and in selected nonlinear simulations -- leveraging physics-based inductive biases in the form of nonconvex energetic potentials. Altogether, this combined ML, experimental, and computational effort provides a route for efficient and accurate design of complex spinodal metamaterials for large-deformation scenarios where energy absorption and prediction of nonlinear failure mechanisms is essential.

研究の動機と目的

• 計算シミュレーションが限られる中で、実験的データが限られる状況下でも、特定の有限ひずみ機械的特性を持つスピンオーダルメタマテリアルを設計する課題に対処すること。
• 高精度な実験データを機械学習フレームワークに直接統合することで、スピンオーダルメタマテリアルにおける構造と性質の関係を埋める。
• メタマテリアルの機械学習において顕著な「品質と量の二律背反」を克服するため、限られたデータを補う物理的インダクティブバイアスを組み込む。
• エネルギー吸収を40%ひずみまで実現するような極端な変形挙動を示す、目的の応力-ひずみ応答を達成するスピンオーダル構造の逆設計を可能にすること。
• 相転移モデリングにインspiredされた非凸エネルギーポテンシャルを用いて、不安定性駆動のパターン形成を物理的に解釈可能なフレームワークとして捉えること。

提案手法

• 107個のマイクロスケールスピンオーダルメタマテリアルの小規模実験データセットを用い、40%ひずみまで到達するイン・サイトおよびエクス・サイトナノメカニカル単軸圧縮試験を実施。
• 複数の部分入力凸ニューラルネットワーク（PICNNs）を用いて非凸ポテンシャルを構築する物理的強化機械学習モデルを構築し、大変形下での複雑な非線形応力-ひずみ挙動を捉える。
• フォワードモデルのサーヴィレートは、実験データから構造-性質マッピングを学習し、非凸性などの物理的制約を組み込むことで、限られたデータでも一般化性能を向上させる。
• 勾配ベースのマルチ初期化を用いた逆最適化スキームにより、目的の有限ひずみ応力-ひずみ応答を満たすスピンオーダル形状を同定する。
• 相転移理論に裏付けられ、スピンオーダル分解の物理に基づく非凸エネルギー・ポテンシャルを用いて、不安定性誘発のパターン形成をモデリングする。
• 高スルーレット実験キャンペーン（321回の圧縮試験）を用いてフレームワークを検証し、バッチ間で一貫したIP-Dipフォトリジストの特性（E = 3.2 ± 0.3 GPa、σ_y = 77 ± 7 MPa）を確認。

実験結果

リサーチクエスチョン

• RQ1 物理的強化機械学習フレームワークは、わずかな実験データのみを用いても、スピンオーダルメタマテリアルの有限ひずみ機械的応答を正確に予測できるか？
• RQ2 機械学習において非凸エネルギー・ポテンシャルをどのようにモデリングすれば、スピンオーダル構造における座屈や大変形といった複雑な非線形挙動を捉えられるか？
• RQ3 物理的インダクティブバイアスを組み込むことで、設計された材料の逆設計における大規模計算シミュレーションの必要性をどの程度低減できるか？
• RQ4 訓練データの範囲外にある応力-ひずみ応答を示す場合でも、フレームワークはその応答を達成するスピンオーダル形状を同定できるか？
• RQ5 イン・サイトおよびエクス・サイト実験データの統合は、複雑なメタマテリアルのMLモデルの物理的解釈可能性と信頼性をどの程度向上させるか？

主な発見

• 本フレームワークは、わずか107件の実験データポイントのみを用いても、さまざまなスピンオーダル形状の有限ひずみ応力-ひずみ応答（40%ひずみまでのエネルギー吸収を含む）を正確に予測した。
• PICNNベースのモデルは、高精度なシミュレーションに依存せず、幾何的・材料的非線形性、座屈、自己接触といった複雑な非線形挙動を正確に捉えた。
• 本手法により、訓練データの範囲外に位置する目標の応力-ひずみ曲線を満たすスピンオーダル構造の逆設計が可能となった。
• 実験的検証により、印刷バッチ間で一貫した材料特性が確認され、IP-Dipフォトリジストのヤング率は3.2 ± 0.3 GPa、降伏強度は77 ± 7 MPaであった。
• イン・サイトおよびエクス・サイト試験の統合により、厚肉シェル型スピンオーダル形状における局所的変形メカニズムが特定され、MLモデルの予測に対する物理的解釈が強化された。
• 本フレームワークは、従来の実験的手法に比べてデータスルーレットが10倍向上し、高密度アーキテクチャドメタマテリアルにおけるMLの適用可能性を実現した。