[论文解读] Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials

Yanyan Yang, Lili Wang+6 more|arXiv (Cornell University)|Jan 24, 2024

Acoustic Wave Phenomena Research被引用 4

一句话总结

本文提出一种引导式扩散模型，可在仅3秒内生成分辨率为128³的体素化机械超材料，通过自条件扩散过程实现目标均质弹性性能。该方法实现了快速逆向设计、极端性能探索以及多尺度应用下的多样化微观结构生成。

ABSTRACT

Mechanical metamaterial is a synthetic material that can possess extraordinary physical characteristics, such as abnormal elasticity, stiffness, and stability, by carefully designing its internal structure. To make metamaterials contain delicate local structures with unique mechanical properties, it is a potential method to represent them through high-resolution voxels. However, it brings a substantial computational burden. To this end, this paper proposes a fast inverse design method, whose core is an advanced deep generative AI algorithm, to generate voxel-based mechanical metamaterials. Specifically, we use the self-conditioned diffusion model, capable of generating a microstructure with a resolution of $128^3$ to approach the specified homogenized tensor matrix in just 3 seconds. Accordingly, this rapid reverse design tool facilitates the exploration of extreme metamaterials, the sequence interpolation in metamaterials, and the generation of diverse microstructures for multi-scale design. This flexible and adaptive generative tool is of great value in structural engineering or other mechanical systems and can stimulate more subsequent research.

研究动机与目标

• 解决传统基于密度的高分辨率机械超材料拓扑优化中计算成本高且多样性有限的问题。
• 通过利用深度生成式人工智能，克服逆均质化过程中对初始化的依赖性以及非凸性问题。
• 构建一个全面的、高分辨率（128³）体素化超材料数据集，覆盖广泛的弹性模量和泊松比范围。
• 实现快速、多样化且几何连通的微观结构生成，以支持多尺度机械系统设计。
• 促进对极端机械性能的探索以及超材料中属性序列插值的研究。

提出的方法

• 在大规模、高分辨率（128³）体素化机械超材料数据集上训练基于3D U-Net的自条件扩散模型，以生成具有指定均质弹性张量的微观结构。
• 该数据集通过LIVE3D框架进行拓扑优化构建，覆盖体积分数从0.2到0.9范围内的体积累聚模量、剪切模量和泊松比。
• 采用迭代扰动算法通过基于高斯噪声的局部弹性形变，增强数据集多样性，特别针对泊松比覆盖不足的区域进行优化。
• 扩散模型采用U-Net主干网络，共五层（从64³到4³），使用带有3×3卷积的残差网络（ResNet）模块，并通过最后一层卷积层从潜在特征预测表面占据值。
• 模型通过目标弹性张量矩阵进行条件控制，实现仅需3秒生成时间的快速推理。
• 对1/8单位晶胞晶格实施对称操作，以保证立方对称性并降低设计空间复杂度。

实验结果

研究问题

• RQ1 深度生成式扩散模型能否在指定均质弹性性能下，实现对128³体素化机械超材料的快速且精确的逆向设计？
• RQ2 迭代扰动策略在多大程度上可提升体素化超材料数据集中弹性性能的多样性与覆盖范围？
• RQ3 自条件扩散模型在极端性能范围内，能否生成几何连通且具有机械功能的微观结构？
• RQ4 所提出的方法能否实现超材料的高效序列插值与多尺度设计？
• RQ5 在基于密度的超材料逆向设计中，生成速度、分辨率与精度之间的权衡关系如何？

主要发现

• 所提出的引导式扩散模型可在仅3秒内生成具有目标均质弹性张量的128³体素机械超材料，表现出高保真度与多样性。
• 去除不连通组件后，数据集包含74,717个微观结构，其中10,000个均匀采样用于训练，以确保效率与覆盖范围。
• 迭代扰动方法成功扩展了数据集在泊松比范围内的覆盖，尤其在原本覆盖不足的区域，显著提升了整体性能多样性。
• 该方法支持对极端机械性能的快速探索，如高体积累聚模量与剪切模量，并可实现属性空间中的序列插值。
• 自条件扩散模型展现出强大的泛化能力，能够生成多样化、几何连通的微观结构，适用于多尺度设计。
• 该框架支持快速、灵活且自适应的逆向设计，与传统拓扑优化相比显著降低了计算负担。