[论文解读] Inverse-design of nonlinear mechanical metamaterials via video denoising diffusion models

Jan-Hendrik Bastek, Dennis M. Kochmann|arXiv (Cornell University)|May 31, 2023

Cellular and Composite StructuresEngineering参考文献 49被引用 3

一句话总结

该论文提出一种视频去噪扩散模型，用于逆向设计具有定制化大应变压缩响应（包括屈曲和接触）的非线性机械超材料。通过在周期性点阵结构的全场有限元数据上进行训练，该模型能够生成与模拟高度一致的机械一致的变形路径和内部应力分布，实现无需迭代优化的高效、物理信息驱动的复杂超材料设计。

ABSTRACT

The accelerated inverse design of complex material properties - such as identifying a material with a given stress-strain response over a nonlinear deformation path - holds great potential for addressing challenges from soft robotics to biomedical implants and impact mitigation. While machine learning models have provided such inverse mappings, they are typically restricted to linear target properties such as stiffness. To tailor the nonlinear response, we here show that video diffusion generative models trained on full-field data of periodic stochastic cellular structures can successfully predict and tune their nonlinear deformation and stress response under compression in the large-strain regime, including buckling and contact. Unlike commonly encountered black-box models, our framework intrinsically provides an estimate of the expected deformation path, including the full-field internal stress distribution closely agreeing with finite element simulations. This work has thus the potential to simplify and accelerate the identification of materials with complex target performance.

研究动机与目标

• 为解决在超越线性刚度之外的复杂非线性应力-应变响应下，机械超材料逆向设计的挑战。
• 实现高效、数据驱动的微结构发现，以实现特定的非线性机械行为，如后屈曲和接触。
• 通过提供物理一致且可解释的变形路径，克服传统拓扑优化和黑箱机器学习模型的局限性。
• 利用视频扩散模型学习大应变范围内变形步骤之间的时空一致性和机械一致性。
• 提供一种生成框架，能够从目标有效应力-应变曲线预测全场应力和位移演化。

提出的方法

• 在周期性点阵超材料的有限元模拟中，基于11个应变步的全场位移和应力分布的配对数据进行训练，采用视频扩散模型。
• 模型采用带有残差网络（ResNet）块的U-Net架构，并通过从目标应力-应变响应提取的类似文本的嵌入向量实现条件控制。
• 通过平均应变步标记嵌入并使用具有SiLU激活函数的两层多层感知机（MLP）将其投影到扩散时间步的潜在空间中，实现条件控制。
• 所有训练样本的应力、位移和有效应力响应均使用最小-最大缩放方法归一化至[-1, 1]区间。
• 采用稳健的采样协议，通过识别左上象限中零位移区域（利用对称性并设定2%的容差阈值），提取潜在的未变形拓扑结构。
• 损失函数包括有效应力的归一化均方根误差（NRMSE）和全场应力分布的相对L2误差，以确保尺度不变且量化的评估。

实验结果

研究问题

• RQ1 视频去噪扩散模型能否学习并生成非线性超材料在大压缩载荷下机械一致的变形序列？
• RQ2 此类模型能否预测与有限元模拟高度一致的全场应力和位移演化，以应对复杂非线性响应？
• RQ3 该模型是否能通过生成实现目标应力-应变曲线（包括后屈曲和接触）的微结构，实现逆向设计？
• RQ4 在准确性和物理一致性方面，该模型与传统拓扑优化或黑箱机器学习方法相比表现如何？
• RQ5 该模型是否能在无需微调的情况下，泛化至多样化的微结构和非线性机械行为？

主要发现

• 模型在预测有效应力-应变响应方面表现出高精度，所有测试目标的归一化均方根误差（NRMSE）均低于0.05。
• 全场应力预测与有限元模拟高度一致，所有应变步的相对L2误差均稳定低于0.08。
• 模型成功捕捉了变形路径中的复杂力学现象，如屈曲、接触和大应变局域化。
• 生成的变形序列表现出机械一致性，应力分布随应变步的演化保持连贯。
• 采样协议能可靠地从预测的位移场中恢复潜在的微结构拓扑，绝大多数情况下无误报且无断开组件。
• 在8块A100/RTX 6000 GPU上训练约70小时完成，证明了其在大规模设计空间探索中的可行性。