[论文解读] Differentiable graph-structured models for inverse design of lattice materials

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

Machine Learning in Materials Science参考文献 53被引用 4

一句话总结

本文提出了一种用于晶格材料逆向设计的可微图结构深度学习框架，采用消息传递实现可微的机械性能预测，并利用代理梯度同时优化几何结构与局部属性。该方法可高效、可扩展地实现规则与非规则晶格拓扑的逆向设计，准确实现目标机械性能。

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.

研究动机与目标

• 解决在极端环境（如空间基础设施）中设计具有定制机械性能的晶格材料的挑战。
• 克服解析方法在处理非规则、仿生晶格拓扑庞大设计空间时的局限性。
• 通过同时优化几何构型与局部材料属性，实现晶格材料的逆向设计。
• 开发一种可扩展的可微框架，支持自动微分以实现高效优化。
• 将该方法推广至任何可表示为异质图的系统，实现超越晶格材料的广泛适用性。

提出的方法

• 将晶格材料表示为异质图，其中节点编码几何与材料属性，边表示连接关系。
• 采用可微消息传递算法，通过迭代的邻域聚合计算机械性能（如刚度、柔度）。
• 集成自动微分，通过消息传递过程反向传播梯度，实现端到端优化。
• 训练图神经网络（GNN）代理模型以大规模预测机械响应，降低对昂贵有限元分析的依赖。
• 使用代理梯度同时优化拓扑（图结构）与节点属性（如厚度、密度），以实现目标性能。
• 利用框架的可微特性，通过高维设计空间中的基于梯度的优化实现逆向设计。

实验结果

研究问题

• RQ1 图结构模型中的可微消息传递能否实现晶格材料机械性能的精确且可扩展的预测？
• RQ2 代理梯度在多大程度上可优化晶格单元的拓扑与局部属性以实现逆向设计？
• RQ3 与传统方法相比，该方法在设计非规则、仿生晶格拓扑方面表现如何？
• RQ4 基于GNN的代理模型能否有效替代计算成本高昂的有限元仿真，作为设计流程中的核心组件？
• RQ5 该框架在晶格材料以外的其他异质图基系统中具有多大程度的泛化能力？

主要发现

• 可微消息传递框架能够实现机械性能的精确预测，并提供支持端到端优化的梯度。
• 该方法通过同时优化几何结构与局部属性，成功实现了目标刚度与柔度值的晶格材料逆向设计。
• 与完整有限元分析相比，GNN代理模型将计算成本降低了数个数量级，同时保持了高预测精度。
• 该方法在设计受天然微观结构启发的非规则、仿生晶格拓扑方面表现出良好的泛化能力。
• 通过可微力学实现的基于梯度的优化，相比传统进化或启发式方法，能在更少迭代次数内收敛至最优设计。
• 该框架支持在复杂、高维参数空间中进行可扩展的设计探索，能够发现非直观的拓扑结构。