[論文レビュー] Mechanical Characterization and Inverse Design of Stochastic Architected Metamaterials Using Neural Operators

Hanxun Jin, Enrui Zhang+4 more|arXiv (Cornell University)|Nov 23, 2023

Polymer composites and self-healing被引用数 8

ひとこと要約

要約：本研究は、深さONetベースのSciMLフレームワークを用いて、 sparse in situ データから確率的なアーキテクチャメタマテリアルの微細構造と非線形機械応答を学習し、マイクロ構造を逆設計して目標応力–ひずみ曲線を達成することを示す。

ABSTRACT

Machine learning (ML) is emerging as a transformative tool for the design of architected materials, offering properties that far surpass those achievable through lab-based trial-and-error methods. However, a major challenge in current inverse design strategies is their reliance on extensive computational and/or experimental datasets, which becomes particularly problematic for designing micro-scale stochastic architected materials that exhibit nonlinear mechanical behaviors. Here, we introduce a new end-to-end scientific ML framework, leveraging deep neural operators (DeepONet), to directly learn the relationship between the complete microstructure and mechanical response of architected metamaterials from sparse but high-quality in situ experimental data. The approach facilitates the inverse design of structures tailored to specific nonlinear mechanical behaviors. Results obtained from spinodal microstructures, printed using two-photon lithography, reveal that the prediction error for mechanical responses is within a range of 5 - 10%. Our work underscores that by employing neural operators with advanced micro-mechanics experimental techniques, the design of complex micro-architected materials with desired properties becomes feasible, even in scenarios constrained by data scarcity. Our work marks a significant advancement in the field of materials-by-design, potentially heralding a new era in the discovery and development of next-generation metamaterials with unparalleled mechanical characteristics derived directly from experimental insights.

研究の動機と目的

• nonlinearな挙動を持つマイクロアーキテクチャメタマテリアルのデータ効率的な逆設計の必要性を動機づける。
• DeepONetを用いたエンドツーエンドのSciMLフレームワークを提案し、マイクロ構造を非線形機械応答へマッピングする。
• 内在するマイクロ構造の不変性を活用する対称性認識アーキテクチャを取り入れる。
• 限られた実験データによる未知のマイクロ構造での前方予測精度を実証する。
• 実験的マイクロ構造の製造と試験によって検証された逆設計ワークフローを示す。

提案手法

• DeepONetを用いて、マイクロ構造断面から荷重–卸荷下の全ての応力–ひずみ曲線への演算子を学習する。
• 3Dマイクロ構造を Branch ネット用の2D断面へ前処理する。
• 断面の順序置換不変性と方向置換共変性を保つ等価性保持ユニットを組み込む。
• Spinodalマイクロ構造と増強されたマイクロ構造データセットからの sparse in situ SEMマイクロ圧縮データで学習する。
• 分岐出力と軸上出力の内積によって与えられたひずみと荷重ステップに対する応力を予測し、実験曲線とのMSEを最小化する。
• DeepONetを前方ソルバーとして使用し、ターゲット曲線へ向けた設計を最適化することで間接的な inverse designを適用する。

実験結果

リサーチクエスチョン

• RQ1 neural operatorが sparseな実験データからspinodalマイクロ構造の非線形・履歴依存の応力–ひずみ応答を学習できるか？
• RQ2 学習済み演算子は未知のマイクロ Architectures の機械的応答をどの程度正確に予測できるか？
• RQ3 このフレームワークはターゲットの等方性または異方性の機械的挙動を達成する逆設計に使用できるか？
• RQ4 対称性（等価性）を取り入れることが予測精度とデータ効率に与える影響は何か？

主な発見

• DeepONetは unseenなマイクロ構造に対して機械的応答の予測誤差を5-10%に抑える。
• unseenなマイクロ構造に対して、応力、エネルギー吸収、極荷重、剛性の予測でR^2 > 0.96、剛性のR^2 = 0.90 を達成。
• 逆設計ケースは、実験的検証を伴うターゲットの等方的/異方性の応力–ひずみ曲線を示す：ケースIは等方性のMSE 1.07%（3方向の平均）で実験誤差 3.14%。
• ケースIIはMSE 1.25%、実験誤差 6.0%。
• ケースIIIはMSE 3.87%、実験誤差 7.61%。
• ケースIVは方向2と3での directional MSEがそれぞれ 7.99% と 2.73%、方向1で 25.2%の高誤差を示し、座屈の不完全さに起因する。