[논문 리뷰] Unifying the design space and optimizing linear and nonlinear truss metamaterials by generative modeling

Li Zheng, Karapiperis, Konstantinos외 2명|arXiv (Cornell University)|2023. 06. 26.

Cellular and Composite Structures참고 문헌 97인용 수 2

한 줄 요약

이 논문은 변분 오토에인코더(VAE)와 성능 예측 모델을 사용하여 3D 트러스 메타물질의 이산적 설계 공간을 연속적이고 저차원의 잠재 공간으로 통합하는 그래프 기반 딥 생성 모델을 제안한다. 이 잠재 공간에서 효율적인 탐색과 기울기 기반 최적화를 가능하게 함으로써, 훈련 데이터 분포를 초월하여 극한의 이방성, 보조성 행동 및 맞춤형 비선형 응답을 포함한 선형 및 비선형 기계적 성질을 갖춘 트러스 격자 구조의 역설계를 달성한다.

ABSTRACT

The rise of machine learning has fueled the discovery of new materials and, especially, metamaterials--truss lattices being their most prominent class. While their tailorable properties have been explored extensively, the design of truss-based metamaterials has remained highly limited and often heuristic, due to the vast, discrete design space and the lack of a comprehensive parameterization. We here present a graph-based deep learning generative framework, which combines a variational autoencoder and a property predictor, to construct a reduced, continuous latent representation covering an enormous range of trusses. This unified latent space allows for the fast generation of new designs through simple operations (e.g., traversing the latent space or interpolating between structures). We further demonstrate an optimization framework for the inverse design of trusses with customized mechanical properties in both the linear and nonlinear regimes, including designs exhibiting exceptionally stiff, auxetic, pentamode-like, and tailored nonlinear behaviors. This generative model can predict manufacturable (and counter-intuitive) designs with extreme target properties beyond the training domain.

연구 동기 및 목표

• 매우 넓고 이산적이며 고차원적인 설계 공간으로 인해 히وري스틱 및 카탈로그 기반 설계의 한계를 극복하기 위해.
• 기계 학습에 적합하고 계산적으로 해석 가능한, 연속적이고 유한 차원의 트러스 구조 및 기하학적 형태의 통합 파arameterization 개발을 위해.
• 선형 및 비선형 영역 모두에서 목표 기계적 성질을 갖는 트러스 격자 구조의 빠르고 데이터 효율적인 역설계를 가능하게 하기 위해.
• 훈련 데이터 분포를 초월하여 높은 기계적 성능을 발휘하는 제작 가능하고 직관에 어긋나는 트러스 아키텍처를 생성하기 위해.

제안 방법

• 노드 인접 행렬(구조)과 공간 좌표(기하학)를 사용하여 트러스 격자를 그래프로 표현하고, 스트럿 두께와 같은 추가 기능을 포함한다.
• 다양한 트러스 구조 및 기하학을 인코딩하는 연속적이고 저차원의 잠재 공간을 학습하기 위해 그래프 기반 변분 오토에인코더(VAE)를 훈련한다.
• 잠재 표현에서 효과적인 기계적 성질(예: 강성, 푸아송 비)을 예측하기 위해 딥 네ural 네트워크 성능 예측 모델을 통합한다.
• 잠재 공간을 사용하여 내삽, 샘플링 및 기울기 기반 최적화를 수행하여 목표 성질을 갖는 새로운 트러스 설계를 발견한다.
• VAE의 KL 발산 손실 항목에 순환 스케줄링을 적용하여 후행 분포 붕괴를 방지하고 생성 품질을 향상시킨다.
• PyTorch의 자동 미분 기능을 활용하여 동질화된 성질에 대한 잠재 변수에 대한 기울기를 계산하여 역설계를 수행한다.

실험 결과

연구 질문

• RQ1 다양한 3D 트러스 구조 및 기하학에 대해 통합적이고 연속적인 잠재 공간을 학습할 수 있는가? 이는 효율적인 탐색과 최적화를 가능하게 하는가?
• RQ2 그래프 기반 생성 모델이 훈련 데이터를 초월하여 극한의 기계적 성질을 갖는 트러스 격자를 얼마나 정확하게 예측하고 생성할 수 있는가?
• RQ3 잠재 공간에서 기울기 기반 최적화를 통해 비선형 응력-변형률 응답을 맞춤형으로 갖는 트러스 메타물질의 역설계를 달성할 수 있는가?
• RQ4 기존의 레이어 구조와 비교해 볼 때, 생성된 설계의 제작 가능성과 기계적 성능은 얼마나 우수한가?
• RQ5 이 프레임워크는 표준 카탈로그에 없는 직관에 어긋나는 비정상적인 트러스 아키텍처를 생성할 수 있는가?

주요 결과

• 제안된 생성 모델은 트러스 격자의 광범위한 이산적 설계 공간을 다양하고 다양한 구조 및 기하학을 포괄하는 연속적이고 저차원의 잠재 공간으로 성공적으로 매핑하였다.
• 기존의 트러스 유형 간의 잠재 공간 내삽(예: 카고메와 올렙트)이 부드러운 전이를 생성하며 중간 기계적 거동을 갖는 새로운 제작 가능한 구조를 생성한다.
• 이 프레임워크는 목표 비선형 반응을 갖는 트러스 격자의 역설계를 가능하게 하여, 유한요소 동질화 결과와 매우 유사한 응력-변형률 곡선을 달성한다 (그림 6b).
• 최적화된 설계는 높은 이방성(AU 최대 0.55), 보조성 행동(음수 푸아송 비), 펜타모드 유사 강성 등을 포함한 극한의 기계적 성질을 나타내며, 이는 유한요소 분석을 통해 검증되었다.
• 모델은 훈련 도메인을 초월하여 원래 데이터셋에 존재하지 않는 목표 성질을 갖는 트러스 아키텍처를 생성하여 일반화 성능을 입증하였다. 이는 직관에 어긋나는 구성도 포함된다.
• 이 프레임워크의 계산 효율성 덕분에 설계 탐색과 최적화가 매우 신속하게 수행되며, 전체 역설계 파이프라인은 잠재 공간 기울기 덕분에 가속화된다.