[论文解读] Data-Driven Design for Metamaterials and Multiscale Systems: A Review

Doksoo Lee, Wei Wayne Chen+3 more|arXiv (Cornell University)|Jul 1, 2023

Advanced Multi-Objective Optimization Algorithms参考文献 288被引用 5

一句话总结

本文对超材料与多尺度系统的数据驱动设计进行了全面综述，提出了一种模块化框架，整合了数据获取、基于机器学习的单元胞设计以及多尺度优化。文章强调了机器学习在加速设计、克服复杂拓扑与性能关系以及实现逆向设计方面的潜力，同时指出了在数据质量、模型可信度以及与物理方法集成方面存在的关键空白。

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.

研究动机与目标

• 提供关于超材料与多尺度系统中数据驱动设计的全面、方法论导向的综述，强调可推广的框架而非特定领域的应用。
• 识别并分析数据获取中的关键挑战，包括数据集可重用性、数据量确定，以及全局响应与局部响应学习之间的权衡。
• 审视当前机器学习方法在单元胞设计中的局限性，特别是对一一映射的过度依赖，以及可解释性与不确定性量化方面的缺乏。
• 探索数据驱动多尺度设计中尚未充分开发的机会，例如提取设计规则、支持迭代优化，以及促进组合式装配。
• 倡导加强数据驱动方法与物理基础方法的集成，以解决超材料设计中的可扩展性与可信度问题。

提出的方法

• 将现有研究组织为三个核心模块：数据获取、基于机器学习的单元胞设计，以及数据驱动的多尺度系统设计。
• 将数据获取策略分类为以形状为中心的生成方法（例如，参数化表示、生成模型）与以性能为导向的采样方法（例如，主动学习、子集下采样）。
• 综述用于单元胞设计的机器学习技术，包括用于性能预测的监督回归、用于序列设计的强化学习，以及用于一一多映射的条件生成模型。
• 提出自下而上与自上而下的多尺度设计框架，利用代理模型替代均质化方法，以实现跨尺度的异质性能需求。
• 强调使用物理信息驱动与可解释的机器学习模型，以提升模型可信度与泛化能力，超越标准的黑箱方法。
• 建议建立基准数据集、标准化的数据评估协议，并推动公开数据共享，以提升研究的可重现性与领域进展。

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

实验结果

研究问题

• RQ1 如何系统性地改进数据获取策略，以支持稳健、可重用且可扩展的数据驱动超材料设计？
• RQ2 当前机器学习模型在处理超材料设计中的一一多特性方面存在哪些局限性，如何加以解决？
• RQ3 在多尺度超材料系统中，数据驱动方法在在多大程度上可以替代或补充传统均质化与拓扑优化方法？
• RQ4 如何使数据驱动设计框架更具可信度、可解释性，并在不同材料体系与应用场景中实现泛化？
• RQ5 在多尺度系统中，利用数据驱动方法进行迭代优化、设计规则提取与组合式装配方面，存在哪些关键未探索的机会？

主要发现

• 当前的数据驱动超材料研究在下游模块（如单元胞设计与系统优化）上投入过多，而数据获取方面的系统性方法论研究不足，而数据获取是实现稳健模型性能的基础。
• 大多数现有数据库与模型假设材料属性恒定且均匀，无法捕捉状态相关或历史相关的行为（如非线性刚度），限制了其在真实场景中的适用性。
• 将目标性能与几何结构之间假设为一一映射，忽视了超材料设计中固有的多对一特性，即多个微观结构可产生相同的等效性能。
• 尽管生成模型与代理建模技术有所进展，但在利用数据驱动方法提取物理设计规则、推荐初始设计或引导迭代优化过程方面仍存在显著差距。
• 当前文献中，机器学习模型在超材料设计中的可信度与不确定性量化仍研究不足，物理信息驱动或可解释模型的应用有限。
• 该领域缺乏标准化的基准数据集与评估协议，阻碍了新方法的公平比较与可重现性，且公开数据共享仍不一致。

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