[論文レビュー] Inverse-design of nonlinear mechanical metamaterials via video denoising diffusion models

Jan-Hendrik Bastek, Dennis M. Kochmann|arXiv (Cornell University)|May 31, 2023

Cellular and Composite StructuresEngineering参考文献 49被引用数 3

ひとこと要約

本稿では、圧縮下でのバネ状変形や接触を含む、特徴的な大変形応力-ひずみ応答を有する非線形力学的メタマテリアルを逆設計するための動画ノイズ除去拡散モデルを提案する。周期的セルラー構造の全場有限要素データを用いて訓練することで、モデルはシミュレーションと密接に一致する機械的整合性を持つ変形経路および内部応力分布を生成し、反復的最適化を必要とせずに、物理的制約を組み込んだ効率的な複雑なメタマテリアルの設計を可能にする。

ABSTRACT

The accelerated inverse design of complex material properties - such as identifying a material with a given stress-strain response over a nonlinear deformation path - holds great potential for addressing challenges from soft robotics to biomedical implants and impact mitigation. While machine learning models have provided such inverse mappings, they are typically restricted to linear target properties such as stiffness. To tailor the nonlinear response, we here show that video diffusion generative models trained on full-field data of periodic stochastic cellular structures can successfully predict and tune their nonlinear deformation and stress response under compression in the large-strain regime, including buckling and contact. Unlike commonly encountered black-box models, our framework intrinsically provides an estimate of the expected deformation path, including the full-field internal stress distribution closely agreeing with finite element simulations. This work has thus the potential to simplify and accelerate the identification of materials with complex target performance.

研究の動機と目的

• 線形剛性を超える複雑な非線形応力-ひずみ応答を示すメタマテリアルの逆設計の課題に対処すること。
• バネ状変形や接触といった特定の非線形力学的挙動を実現する微細構造の効率的でデータ駆動型の探索を可能にすること。
• 従来のトポロジー最適化やブラックボックス型機械学習モデルの限界を克服し、物理的に整合的で解釈可能な変形経路を提供すること。
• 動画拡散モデルを活用し、大変形領域における変形ステップ間の時間的および機械的整合性を学習すること。
• 目的の等効応力-ひずみ曲線に一致する微細構造を生成する生成フレームワークを提供すること、その際、全場応力および変位の時間的変化を予測可能にすること。

提案手法

• 本モデルは、周期的セルラーメタマテリアルの有限要素シミュレーションから得られた11段階のひずみステップにおける全場変位および応力分布のペアデータを用いて訓練される。
• モデルはU-Netアーキテクチャを採用し、ResNetブロックを用い、ターゲット応力-ひずみ応答から得られるテキストに類似た埋め込みを条件付けとして用いる。
• 条件付けは、ひずみステップのトークン埋め込みを平均化し、2層のMLP（SiLU活性化関数を用いる）を介して拡散時間ステップの潜在空間に射影することで実装される。
• 応力、変位、等効応力応答の全訓練サンプルにわたって最小-最大スケーリングを用い、[-1, 1]に正規化される。
• ロバストなサンプリングプロトコルにより、上左四分の一領域におけるゼロ変位領域を特定することで、元の非変形形状の微細構造を回復する。対称性を活用し、2%の許容誤差閾値を用いる。
• 損失関数には、スケール不変性を確保するための正規化済み平均二乗誤差（NRMSE）を等効応力に、全場応力分布の相対的L2誤差を用いる。

実験結果

リサーチクエスチョン

• RQ1 動画ノイズ除去拡散モデルは、大圧縮下における非線形メタマテリアルの機械的整合性を持つ変形系列を学習・生成できるか？
• RQ2 このようなモデルは、複雑な非線形応答において、有限要素シミュレーションと密接に一致する全場応力および変位の時間的変化を予測できるか？
• RQ3 モデルは、バネ状変形や接触を含む所望のターゲット応力-ひずみ曲線を達成する微細構造を生成することで、逆設計を可能にするか？
• RQ4 精度および物理的整合性の観点から、従来のトポロジー最適化やブラックボックス型機械学習手法と比較して、モデルの性能はどのように差異を示すか？
• RQ5 微細構造や非線形力学的挙動の多様性にわたって、ファインチューニングを必要とせずに一般化可能か？

主な発見

• モデルは、全テストターゲットにおいてNRMSE（正規化済み平均二乗誤差）が0.05未満の高精度な等効応力-ひずみ応答の予測を達成した。
• 全場応力予測は有限要素シミュレーションと強く一致し、全ひずみステップで相対的L2誤差が0.08未満で一貫して低い水準を維持した。
• モデルは、変形経路においてバネ状変形、接触、大ひずみ局在化といった複雑な力学的現象を的確に捉えた。
• 生成された変形系列は機械的整合性を示し、ひずみステップ間で応力分布が一貫して進化した。
• サンプリングプロトコルは、予測された変位場から、最小限の誤検出およびほとんどが連結成分を有さない状態で、元の微細構造トポロジーを信頼性高く回復できた。
• 8台のA100/RTX 6000 GPUを用いた訓練は約70時間で完了し、大規模な設計空間探索の実現可能性を示した。