[논문 리뷰] Differentiable graph-structured models for inverse design of lattice materials

Dominik Dold, Derek Aranguren van Egmond|arXiv (Cornell University)|2023. 04. 11.

Machine Learning in Materials Science참고 문헌 53인용 수 4

한 줄 요약

이 논문은 메시지 전파를 사용한 기계적 성질 예측과 서면 기울기(surrogate gradients)를 통한 기하학적 구조와 국소적 특성의 최적화를 통해 격자 재료의 역설계를 위한 유연한 그래프 기반 딥러닝 프레임워크를 제안한다. 이 방법은 정규 및 비정규 격자 구조에 대해 높은 정확도로 목표 기계적 성질을 달성하는 효율적이고 확장 가능한 역설계를 가능하게 한다.

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.

연구 동기 및 목표

• 우주 기반 구조물과 같은 극한 환경에서 요구되는 맞춤형 기계적 성질을 갖춘 격자 재료 설계의 과제를 해결한다.
• 비정규적이고 자연에서 영감을 받은 격자 구조의 광범위한 설계 공간을 다루는 데 있어 분석적 방법의 한계를 극복한다.
• 기하학적 구조와 국소 재료 특성의 동시에 최적화함으로써 격자 재료의 역설계를 가능하게 한다.
• 효율적 최적화를 위한 자동 미분을 지원하는 확장 가능한, 유연한 프레임워크를 개발한다.
• 이론적 구조가 이질적 그래프로 표현 가능한 모든 시스템에 일반화 가능하게 하여 격자 재료를 넘어서도 넓은 적용 가능성을 확보한다.

제안 방법

• 노드가 기하학적 및 재료적 특성을 인코딩하고, 엣지가 연결성을 나타내는 이질적 그래프로 격자 재료를 표현한다.
• 반복적 이웃 집합을 통한 메시지 전파 알고리즘을 사용하여 기계적 성질(예: 강성, 연성)을 계산한다.
• 메시지 전파 과정을 거쳐 기울기를 역전파할 수 있도록 자동 미분을 통합하여 종단 간 최적화를 가능하게 한다.
• 유한 요소 분석에 의존도를 줄이기 위해 대규모 기계적 반응을 예측하는 그래프 신경망(GNN) 서면 모델을 훈련시킨다.
• 서면 기울기를 사용하여 그래프 구조(탑오로지)와 노드 특성(예: 두께, 밀도)을 동시에 최적화하여 목표 기계적 성질을 향해 나아간다.
• 이 프레임워크의 유연한 특성을 활용해 고차원 설계 공간에서 기울기 기반 최적화를 통해 역설계를 수행한다.

실험 결과

연구 질문

• RQ1 이질적 그래프 구조 모델에서의 유연한 메시지 전파가 격자 재료의 기계적 성질에 대해 정확하고 확장 가능한 예측을 가능하게 하는가?
• RQ2 서면 기울기는 격자 요소의 탑오로지와 국소적 특성을 동시에 최적화하여 역설계에 얼마나 효과적으로 기여하는가?
• RQ3 기존의 방법들과 비교했을 때, 제안된 방법은 비정규적이고 생물학적으로 모방한 격자 구조의 설계에서 얼마나 우수한 성능을 보이는가?
• RQ4 GNN 기반 서면 모델은 계산 비용이 높은 유한 요소 시뮬레이션을 설계 파이프라인에서 효과적으로 대체할 수 있는가?
• RQ5 이 프레임워크는 격자 재료를 넘어서 이질적 그래프 기반 시스템에 얼마나 일반화 가능한가?

주요 결과

• 유연한 메시지 전파 프레임워크는 종단 간 최적화를 지원하는 기울기를 제공하며 기계적 성질을 정확하게 예측할 수 있다.
• 기하학적 구조와 국소적 특성의 동시 최적화를 통해 목표 강성 및 연성 값을 갖는 격자 재료의 역설계를 성공적으로 달성하였다.
• GNN 서면 모델은 전체 유한 요소 분석 대비 수 개의 주요 계산 비용을 감소시키며 높은 예측 정확도를 유지한다.
• 자연의 미세 구조에서 영감을 얻은 비정규적이고 생물학적으로 모방한 격자 구조에 대해 효과적으로 일반화된다.
• 유연한 기계학습 기반 기울기 최적화를 통해 전통적인 진화적 또는 히وري스틱 방법보다 적은 반복 수로 최적 설계에 수렴한다.
• 복잡한 고차원 매개변수 공간에서의 설계 탐색을 지원하여 직관적이지 않은 탑오로지의 발견을 가능하게 한다.