[논문 리뷰] Inverse-design of nonlinear mechanical metamaterials via video denoising diffusion models

Jan-Hendrik Bastek, Dennis M. Kochmann|arXiv (Cornell University)|2023. 05. 31.

Cellular and Composite StructuresEngineering참고 문헌 49인용 수 3

한 줄 요약

이 논문은 주어진 압축 하중에서 비선형 거동(좌굴 및 접촉 포함)을 갖는 대변형률 응력-변형률 특성을 갖는 비선형 기계적 메타물질을 역설계하기 위해 영상 노이즈 제거 확산 모델을 제안한다. 주기적인 다공성 구조의 전장 유한요소 데이터를 기반으로 훈련함으로써, 모델은 시뮬레이션과 유사한 기계적으로 일관된 변형 경로와 내부 응력 분포를 생성하며, 반복 최적화 없이도 효율적이고 물리 기반의 복잡한 메타물질 설계를 가능하게 한다.

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.

연구 동기 및 목표

• 선형 강성 이외의 복잡한 비선형 응력-변형률 거동을 갖는 메타물질의 역설계 과제를 해결하기 위해.
• 좌굴 및 접촉과 같은 특정 비선형 기계적 거동을 실현하는 미세구조의 효율적이고 데이터 기반의 탐색을 가능하게 하기 위해.
• 기존의 토폴로지 최적화나 블랙박스 기계학습 모델의 한계를 극복하기 위해 물리적으로 일관되고 해석 가능한 변형 경로를 제공하기 위해.
• 대변형률 영역에서 변형 단계 간의 시간적 및 기계적 일관성을 학습하기 위해 영상 확산 모델을 활용하기 위해.
• 목표 효과 응력-변형률 곡선으로부터 전장 응력 및 변위 변화를 예측하는 생성 프레임워크를 제공하기 위해.

제안 방법

• 모델은 주기적인 다공성 메타물질의 유한요소 시뮬레이션에서 유도된 11개의 변형률 단계에 걸친 전장 이동 및 응력 분포 쌍 데이터를 기반으로 훈련된다.
• 모델은 ResNet 블록을 사용하는 U-Net 아키텍처를 사용하며, 목표 응력-변형률 거동에서 유도된 텍스트 유사 임bedding을 조건부로 사용한다.
• 조건부 처리는 변형률 단계 토큰 임베딩의 평균을 구하고, SiLU 활성화 함수를 사용하는 두 층의 전결합 신경망(MLP)을 통해 확산 시간 단계의 잠재 공간에 투영함으로써 구현된다.
• 응력, 이동 및 효과 응력 반응에 대해 모든 훈련 샘플을 대상으로 최소-최대 스케일링을 사용하여 [-1, 1]로 정규화된다.
• 강력한 샘플링 프로토콜은 상단 왼쪽 사분면의 영역에서 이동량이 0인 영역을 식별함으로써 기초 미세구조를 회복한다. 이 과정은 대칭성과 2% 허용 오차 기준을 활용한다.
• 손실 함수로는 효과 응력에 대한 정규화된 평균 제곱근 오차(NRMSE)와 전장 응력 분포에 대한 상대적 L2 오차를 사용하여 척도 불변성과 정량적 평가를 보장한다.

실험 결과

연구 질문

• RQ1 영상 노이즈 제거 확산 모델은 대변형률 하에서 비선형 메타물질의 기계적으로 일관된 변형 시퀀스를 학습하고 생성할 수 있는가?
• RQ2 이러한 모델은 복잡한 비선형 거동에 대해 전장 응력 및 변위 변화를 유한요소 시뮬레이션과 유사하게 예측할 수 있는가?
• RQ3 모델은 목표 응력-변형률 곡선(좌굴 및 접촉 포함)을 실현하는 미세구조를 생성함으로써 역설계를 가능하게 하는가?
• RQ4 정확성과 물리적 일관성 측면에서 기존의 토폴로지 최적화나 블랙박스 기계학습 접근법에 비해 모델 성능는 어떻게 비교되는가?
• RQ5 정밀조정 없이도 다양한 미세구조 및 비선형 기계적 거동에 대해 일반화 가능한가?

주요 결과

• 모델은 모든 테스트 대상에서 NRMSE 값이 0.05 이하로 매우 높은 정확도를 보이며 효과 응력-변형률 거동을 예측한다.
• 전장 응력 예측은 유한요소 시뮬레이션과 강한 일치를 보이며, 모든 변형률 단계에서 상대적 L2 오차가 일관되게 0.08 이하로 유지된다.
• 모델은 변형 경로에서 좌굴, 접촉 및 대변형률 국부화와 같은 복잡한 기계적 현상을 성공적으로 포착한다.
• 생성된 변형 시퀀스는 응력 분포가 변형률 단계 간 일관되게 변화함을 보이며 기계적으로 일관성을 유지한다.
• 샘플링 프로토콜은 대부분의 경우 거짓 긍정이 최소화되고 연결되지 않은 성분이 없도록 예측된 이동장에서 기초 미세구조의 위상 구조를 신뢰성 있게 복원한다.
• 8장의 A100/RTX 6000 GPU를 사용한 훈련이 약 70시간 내에 완료되어 대규모 설계 공간 탐색의 실현 가능성을 입증한다.