[논문 리뷰] Mechanical Characterization and Inverse Design of Stochastic Architected Metamaterials Using Neural Operators

Hanxun Jin, Enrui Zhang외 4명|arXiv (Cornell University)|2023. 11. 23.

Polymer composites and self-healing인용 수 8

한 줄 요약

본 논문은 희박한 현장 데이터로부터 확률적 구조 모형 재료의 미세구조-비선형 기계 응답을 학습하기 위해 DeepONet 기반의 SciML 프레임워크를 제시하고, 목표 응력-변형 곡선을 달성하기 위한 미세구조의 역설계를 시연한다.

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.

연구 동기 및 목표

• 비선형 거동을 보이는 미세구조 메타물질의 데이터 효율적인 역설계 필요성을 동기화한다.
• 마이크로구조를 비선형 기계적 응답으로 매핑하는 엔드-투-엔드 SciML 프레임워크를 DeepONet을 이용해 제안한다.
• 고유의 미세구조 불변성을 활용하기 위한 대칭 인식 구조를 포함한다.
• 희소한 실험 데이터로 보지 않은 미세구조에 대한 순전방 예측 정확도를 시연한다.
• 실험적 미세구조 제작 및 테스트로 검증된 역설계 워크플로우를 선보인다.

제안 방법

• DeepONet을 사용하여 하중-하중 해제에서 미세구조 단면으로부터 전체 응력-변형 곡선으로의 연산자를 학습한다.
• branch net를 위해 3D 미세구조를 2D 단면으로 전처리한다.
• 단면 순열 불변성과 방향 순열 공변성을 강제하는 등가성 보존 유닛을 포함한다.
• 스피노달 미세구조의 현장 SEM 소형압축 데이터와 보강된 미세구조 데이터셋으로 학습한다.
• 주어진 변형률과 하중 단계에 대해 branch와 trunk 출력의 내적(dot-product)으로 응력을 예측하고 실험 곡선과의 평균제곱오차(MSE)를 최소화한다.
• 대상 곡선을 향해 설계를 최적화하기 위해 DeepONet을 순방향 해석기로 사용한 간소화된 간접 역설계를 적용한다.

실험 결과

연구 질문

• RQ1 희소한 실험 데이터로부터 spinodal 미세구조의 비선형, 히스토리 의존적 응력-변형 응답을 학습하는 신경 연산자가 가능한가?
• RQ2 학습된 연산자는 보지 않은 미세구조의 기계적 응답을 얼마나 잘 예측하는가?
• RQ3 프레임워크를 역설계에 활용하여 목표 등방성 또는 비등방성 기계 거동을 달성할 수 있는가?
• RQ4 대칭성(동등변) 도입이 예측 정확도와 데이터 효율성에 미치는 영향은 무엇인가?

주요 결과

• DeepONet은 보지 않은 미세구조에 대한 기계적 응답에서 5-10%의 예측 오차를 달성한다.
• 보지 않은 미세구조에 대해 스트레스, 에너지 흡수, 최대 응력, 강성의 예측에서 R^2가 > 0.96, 강성의 경우 R^2가 0.90이다.
• 역설계 사례에서 목표 등방성/비등방성 응력-변형 곡선이 실험 검증과 함께 제시되며: Case I 등방성 MSE 1.07% (3 방향 평균) 및 실험 오차 3.14%.
• Case II의 MSE 1.25% 및 실험 오차 6.0%.
• Case III의 MSE 3.87% 및 실험 오차 7.61%.
• Case IV는 방향 2, 3에서의 방향성 MSE가 각각 7.99% 및 2.73%이며 방향 1에서 25.2%의 더 큰 오차가 나타났는데 이는 버클링 결함 때문으로 해석된다.