[论文解读] Predicting deformation mechanisms in architected metamaterials using GNN

Padmeya P. Indurkar, Sri Karlapati+2 more|arXiv (Cornell University)|Feb 18, 2022

Smart Materials for Construction被引用 11

一句话总结

本文提出一种图神经网络（GNN）框架，通过将三维修饰的点阵拓扑建模为计算图，以预测3D点阵结构超材料中的形变机制——拉伸与弯曲。该GNN在未见过的复杂点阵上实现了超过90%的准确率，展现出在人工智能驱动的超材料设计中具有高度泛化能力和鲁棒性。

ABSTRACT

The present paradigm in design and modelling of lattice architected mechanical metamaterials is mostly limited to traditional numerical methods like finite element analysis. Recently, the use of machine learning and artificial intelligence techniques have become popular and here we extend these ideas to architected metamaterials. We show that truss based lattices have a natural resemblance to computational graphs which serve as an input for the rapidly emerging field of graph neural networks (GNNs). A dataset comprising thousands of such extremely complex lattices is trained using a GNN to predict the underlying dominant deformation mechanism viz. stretching and bending. The trained GNN achieves > 90% accuracy on a previously unseen complex lattice dataset. Such graph-based learning of metamaterials has the capability to predict a range of properties, from elastic moduli to fracture toughness and promises AI driven discovery of emergent metamaterials possessing superlative properties.

研究动机与目标

• 解决传统有限元方法在高效预测复杂3D点阵超材料形变机制方面的局限性。
• 利用三维修饰点阵的天然图结构，通过图神经网络（GNN）实现基于机器学习的形变机制预测。
• 开发一种数据驱动方法，使其在包括复杂连接性和非直观形变行为在内的多种点阵拓扑上均具有泛化能力。
• 实现对主导形变模式（拉伸、弯曲或两者结合）的快速、准确分类，以支持超材料的发现与设计。
• 为扩展GNN以预测更广泛的力学性能（如弹性模量、断裂韧性及非线性行为）奠定基础。

提出的方法

• 将每个3D点阵超材料表示为计算图，其中节点代表节点，边代表杆件，并编码几何与材料属性。
• 利用来自开源目录的17,201种独特点阵拓扑数据集对GNN分类器进行训练，包含节点坐标、连接关系及弹性性能。
• 训练GNN以基于有效模量的标度指数 $ n_i $ 来分类形变机制，其中 $ n_i \sim 1 $ 表示拉伸，$ n_i \sim 2 $ 表示弯曲，$ 1 < n_i < 2 $ 表示组合模式。
• 采用多分类分类头，通过图级别读出操作区分拉伸、弯曲及组合形变机制。
• 使用交叉熵损失优化GNN，并在保留的1,721个点阵验证集上评估性能。
• 通过概率直方图和混淆矩阵分析模型置信度，以评估其在复杂拓扑上的可靠性与泛化能力。

实验结果

研究问题

• RQ1 图神经网络能否有效预测复杂3D点阵超材料中主导形变机制（拉伸与弯曲）？
• RQ2 基于GNN的模型在具有高连接度和非传统结构的未见点阵拓扑上泛化能力如何？
• RQ3 在连接度关系失效的点阵中，平均节点连接度 $ \bar{Z} $ 与形变机制的相关性在多大程度上成立？
• RQ4 GNN能否捕捉非线性、依赖于拓扑的力学行为，这些行为无法通过解析方法预测或被简单连接规则捕捉？
• RQ5 GNN在多样化点阵对称性与拓扑结构上的形变机制分类预测准确率如何？

主要发现

• GNN分类器在区分拉伸与非拉伸点阵的训练中达到98.85%的准确率，仅0.67%的拉伸点阵被错误分类。
• 在独立的1,721个点阵验证集中，模型达到92.27%的准确率，表明其对未见复杂拓扑具有强大的泛化能力。
• 模型正确识别了95.2%的训练数据和81.8%的验证数据，概率直方图显示其预测具有高置信度。
• GNN成功分类了位于第二和第四象限的点阵——这些点阵中高连接度并不意味着具有拉伸行为——表明其捕捉了超越简单连接规则的复杂几何效应。
• 混淆矩阵显示误分类极少，仅0.48%的非拉伸点阵被错误分类，且模型在预测中表现出高度确定性。
• 该框架可推广至存在节点缺陷或缺失杆件的点阵，表明其在实际设计应用中具备鲁棒性。