[논문 리뷰] Data-Driven Design for Metamaterials and Multiscale Systems: A Review

Doksoo Lee, Wei Wayne Chen외 3명|arXiv (Cornell University)|2023. 07. 01.

Advanced Multi-Objective Optimization Algorithms참고 문헌 288인용 수 5

한 줄 요약

이 논문은 메타물질 및 다스케일 시스템의 데이터 기반 설계에 대한 종합적인 리뷰를 제시하며, 데이터 수집, 기계학습 기반의 유닛 셀 설계, 다스케일 최적화를 통합하는 모듈러 프레임워크를 제안한다. 기계학습이 설계를 가속화하고 복잡한 토폴로지 및 성질 간의 관계를 극복하며 역설계를 가능하게 할 잠재력을 강조하면서도, 데이터 품질, 모델 신뢰성, 물리기반 방법과의 통합 부족 등의 핵심 격차를 밝혀낸다.

ABSTRACT

Metamaterials are artificial materials designed to exhibit effective material parameters that go beyond those found in nature. Composed of unit cells with rich designability that are assembled into multiscale systems, they hold great promise for realizing next-generation devices with exceptional, often exotic, functionalities. However, the vast design space and intricate structure-property relationships pose significant challenges in their design. A compelling paradigm that could bring the full potential of metamaterials to fruition is emerging: data-driven design. In this review, we provide a holistic overview of this rapidly evolving field, emphasizing the general methodology instead of specific domains and deployment contexts. We organize existing research into data-driven modules, encompassing data acquisition, machine learning-based unit cell design, and data-driven multiscale optimization. We further categorize the approaches within each module based on shared principles, analyze and compare strengths and applicability, explore connections between different modules, and identify open research questions and opportunities.

연구 동기 및 목표

• 메타물질 및 다스케일 시스템에서 데이터 기반 설계에 대한 통합적이고 방법론 중심의 리뷰를 제공함으로써 도메인 특화 응용보다 일반화 가능한 프레임워크에 중점을 두기.
• 데이터 수집의 핵심 과제를 특정하고 분석함: 데이터셋 재사용성, 데이터 크기 결정, 전역 및 국소 응답 학습 간의 트레이드오프.
• 기계학습 기반 유닛 셀 설계의 현재 한계를 검토함: 일대일 매핑에 대한 과도한 의존성, 해석 가능성 부족, 불확실성 정량화 부족.
• 데이터 기반 다스케일 설계에서 개발이 미흡한 기회를 탐색함: 설계 규칙 추출, 반복 최적화 지원, 조합적 조립 지원.
• 스케일링 및 신뢰성 문제를 해결하기 위해 데이터 기반 방법과 물리기반 방법 간의 밀접한 통합을 주장함.

제안 방법

• 기존 연구를 세 핵심 모듈로 정리함: 데이터 수집, 기계학습 기반 유닛 셀 설계, 데이터 기반 다스케일 시스템 설계.
• 데이터 수집 전략을 형태 중심 생성(예: 매개변수화 표현, 생성 모델)과 성질 인지 샘플링(예: 활성 학습, 서브셋 다운샘플링)으로 분류.
• 유닛 셀 설계를 위한 기계학습 기법을 검토함: 성질 예측을 위한 지도 회귀, 순차적 설계를 위한 강화 학습, 일대다 매핑을 위한 조건부 생성 모델.
• 하향식 및 상향식 프레임워크를 제안함으로써 다스케일 설계를 구현함. 수렴 모델을 사용해 동질성 기반의 대체를 가능하게 하여 다양한 척도에서 이질적인 성질 요구사항을 충족함.
• 표준 블랙박스 접근 방식을 넘어서 모델의 신뢰성 및 일반화 능력을 향상시키기 위해 물리기반 및 해석 가능한 기계학습 모델의 사용을 강조함.
• 재현 가능성과 분야 발전을 향상시키기 위해 벤치마크 데이터셋 구축, 표준화된 데이터 평가 프로토콜 도입, 공개 데이터 공유를 권장함.

Figure 1: Hierarchical terminology system in this review. Metamaterials are created by assembling multiple microstructures to achieve properties on the macroscale. A microstructure is an assembly of multiple unit cells. A unit cell is the smallest representative unit of a material in the microscale

실험 결과

연구 질문

• RQ1 어떻게 하면 데이터 수집 전략을 체계적으로 개선하여 강건하고 재사용 가능하며 확장 가능한 데이터 기반 메타물질 설계를 지원할 수 있는가?
• RQ2 현재 기계학습 모델이 메타물질 설계의 일대다 성격을 다루는 데에 겪는 한계는 무엇이며, 이를 어떻게 해결할 수 있는가?
• RQ3 데이터 기반 방법이 다스케일 메타물질 시스템에서 기존의 동질성 기반 및 토폴로지 최적화를 얼마나 대체하거나 보완할 수 있는가?
• RQ4 어떻게 하면 데이터 기반 설계 프레임워크를 다양한 재료 시스템과 응용 분야에 걸쳐 더 신뢰성 있고 해석 가능하며 일반화 가능하게 만들 수 있는가?
• RQ5 다스케일 시스템에서 반복 최적화, 설계 규칙 추출, 조합적 조립을 위한 데이터 기반 방법을 사용하는 데에 아직 탐색되지 않은 핵심 기회들은 무엇인가?

주요 결과

• 현재 데이터 기반 메타물질 연구는 유닛 셀 설계 및 시스템 최적화와 같은 후행 모듈에 집중되어 있으며, 강건한 모델 성능을 위한 기초가 되는 데이터 수집의 방법론적 엄밀함이 부족하다.
• 대부분의 기존 데이터베이스와 모델은 일정하고 균일한 성질을 가정하며, 비선형 스템프니스와 같은 상태 의존성 또는 이력 의존성 행동을 포착하지 못해 실제 응용에 대한 적용 범위가 제한된다.
• 목표 성질과 기하학적 구조 간의 일대일 매핑 가정은 메타물질 설계의 본질적인 일대다 성격을 간과한다. 즉, 동일한 효과적 성질을 낼 수 있는 다수의 마이크로구조가 존재한다.
• 생성 모델 및 서rogate 모델의 발전에도 불구하고, 데이터 기반 방법을 활용해 물리적 설계 규칙을 추출하거나 초기 설계를 제안하거나 반복 최적화 과정을 안내하는 데에는 여전히 큰 격차가 존재한다.
• 메타물질을 위한 기계학습 모델의 신뢰성 및 불확실성 정량화는 여전히 미흡하게 다뤄지고 있으며, 현재 문헌에서 물리기반 또는 해석 가능한 모델의 사용은 제한적이다.
• 표준화된 벤치마크 데이터셋과 평가 프로토콜이 부족하여 새로운 방법의 공정한 비교와 재현 가능성이 저해되고 있으며, 공개 데이터 공유 역시 일관되지 않은 편이다.

Figure 2: Representations of building blocks. a) and b): Parametric Multiclass. a) The mixed-variable multiclass lattice representation of mechanical metamaterials. Reproduced from Ref. [ 71 ] with permission from ASME. b) The parametric representation of 3D multiclass building blocks of mechanical