[论文解读] Unifying the design space and optimizing linear and nonlinear truss metamaterials by generative modeling

Li Zheng, Karapiperis, Konstantinos+2 more|arXiv (Cornell University)|Jun 26, 2023

Cellular and Composite Structures参考文献 97被引用 2

一句话总结

该论文提出了一种基于图的深度生成模型，利用变分自编码器（VAE）和性能预测器，将3D桁架超材料离散的设计空间统一映射到连续的低维潜在空间中。通过在该潜在空间中实现高效的探索与基于梯度的优化，该框架实现了对具有定制化线性和非线性力学性能（包括极端各向异性、负泊松比行为以及定制化非线性响应）的桁架晶格的逆向设计，性能超越了训练数据分布范围。

ABSTRACT

The rise of machine learning has fueled the discovery of new materials and, especially, metamaterials--truss lattices being their most prominent class. While their tailorable properties have been explored extensively, the design of truss-based metamaterials has remained highly limited and often heuristic, due to the vast, discrete design space and the lack of a comprehensive parameterization. We here present a graph-based deep learning generative framework, which combines a variational autoencoder and a property predictor, to construct a reduced, continuous latent representation covering an enormous range of trusses. This unified latent space allows for the fast generation of new designs through simple operations (e.g., traversing the latent space or interpolating between structures). We further demonstrate an optimization framework for the inverse design of trusses with customized mechanical properties in both the linear and nonlinear regimes, including designs exhibiting exceptionally stiff, auxetic, pentamode-like, and tailored nonlinear behaviors. This generative model can predict manufacturable (and counter-intuitive) designs with extreme target properties beyond the training domain.

研究动机与目标

• 克服由于设计空间庞大、不连续且高维而导致的桁架超材料设计依赖启发式方法和目录检索的局限性。
• 开发一种统一的、连续的、有限维的桁架拓扑与几何参数化方法，具备计算可解释性，适用于机器学习。
• 实现在线性和非线性区域中，针对目标力学性能的快速、数据高效的桁架晶格逆向设计。
• 生成可制造且反直觉的桁架架构，实现超越训练数据分布的极端力学性能。

提出的方法

• 使用节点邻接矩阵（表示拓扑）和空间坐标（表示几何）将桁架晶格表示为图，并附加如杆件厚度等特征。
• 训练基于图的变分自编码器（VAE），以学习编码多样化桁架拓扑与几何的连续低维潜在空间。
• 集成深度神经网络性能预测器，从潜在表示中预测有效力学性能（如刚度、泊松比）。
• 利用潜在空间进行插值、采样以及基于梯度的优化，以发现具有目标性能的新桁架设计。
• 在VAE中采用KL散度损失项的循环调度策略，以防止后验坍缩并提升生成质量。
• 利用PyTorch中的自动微分计算均质化性能相对于潜在变量的梯度，以实现逆向设计。

实验结果

研究问题

• RQ1 能否为多样化3D桁架拓扑与几何结构学习到一个统一的连续潜在空间，从而实现高效探索与优化？
• RQ2 基于图的生成模型在多大程度上能够预测并生成超越训练数据的极端力学性能桁架晶格？
• RQ3 在潜在空间中基于梯度的优化能否实现具有定制化非线性应力-应变响应的桁架超材料逆向设计？
• RQ4 与已知晶格类型相比，生成设计在可制造性和力学性能方面表现如何？
• RQ5 该框架能否生成具有卓越力学行为但不在标准目录中的反直觉、非直观桁架架构？

主要发现

• 所提出的生成模型成功地将庞大且离散的桁架晶格设计空间映射到一个连续的低维潜在空间，该空间能够捕捉多样化的拓扑与几何结构。
• 在已知桁架类型（如kagome与octet）之间进行潜在空间插值，可产生平滑过渡，并生成具有中间力学行为的新型可制造结构。
• 该框架实现了对具有目标非线性响应的桁架晶格的逆向设计，其生成的应力-应变曲线与有限元均质化结果高度吻合（图6b）。
• 优化后的设计展现出极端力学性能，包括高各向异性（AU最高达0.55）、负泊松比行为以及类五模态刚度，其预测结果通过有限元分析得到验证。
• 该模型具有泛化能力，能够生成原始数据集中不存在的目标性能的桁架架构，包括反直觉的构型。
• 该框架的计算效率使得快速设计探索与优化成为可能，整个逆向设计流程通过潜在空间梯度实现加速。