研究人员利用机器学习设计先进的晶格结构

Josiah02

晶格结构以其复杂的图案和层次化设计为特征，由于其多功能性和可定制性，具有巨大的潜力，可以彻底改变从航空航天到生物医学工程等行业。然而，这些结构的复杂性及其所包含的广阔设计空间给工程师和科学家带来了重大障碍，而传统的设计探索和优化方法在面对晶格设计领域中众多的可能性时往往显得力不从心。
劳伦斯利弗莫尔国家实验室 (LLNL) 的科学家和工程师希望通过结合机器学习 (ML) 和人工智能来解决这些长期存在的挑战，以加速具有低重量和高强度等特性的晶格结构的设计，并以前所未有的速度和效率进行优化。
在《科学报告》最近发表的一项研究中，LLNL 研究人员将基于 ML 的方法与传统计算技术融合在一起，希望开创晶格设计的新时代。通过利用 ML 算法的强大功能，研究人员能够预测机械性能、优化设计变量并加快拥有数百万种潜在设计选项的晶格的计算设计过程。
“通过在设计工作流程中利用基于机器学习的方法，我们可以加速设计过程，真正利用晶格结构所提供的设计自由，并利用其多样化的机械性能，”主要作者兼 LLNL 工程师 Aldair Gongora 说。
“这项工作推动了设计领域的发展，因为它展示了在设计工作流程中集成基于迭代机器学习的方法的可行方法，并强调了机器学习和人工智能（AI）在加速设计过程中可以发挥的关键作用。”
这项新研究的核心是开发基于 ML 的替代模型，作为探索晶格结构机械行为的虚拟原型。Gongora 表示，这些替代模型经过大量数据训练，结合了各种晶格系列和几何设计变量，表现出卓越的预测能力，可以提供有关设计参数以及几何和结构对机械性能的作用的宝贵见解，准确率超过 95%。
此外，通过在设计循环中加入基于机器学习的方法，团队证明，通过探索不到 1% 的理论设计空间大小可以加快最佳设计，他说。
为了有效地驾驭晶格设计的各种可能性，研究人员采用了贝叶斯优化等方法，这是一种复杂的主动学习形式。研究人员表示，通过以连续的方式智能地选择和评估设计，贝叶斯优化简化了探索过程——将寻找高性能设计所需的模拟次数减少了五倍——并且可以以极快的速度识别高性能晶格配置。
研究人员表示，该方法不仅减少了寻找新设计所需的模拟次数，而且还最大限度地减少了与详尽设计搜索相关的计算负担。
该团队还采用了 Shapley 加性解释 (SHAP) 分析法（一种用于了解不同因素或变量如何影响模型中的特定结果或预测的方法）来解释单个设计变量对性能的影响。通过剖析每个参数对整体机械行为的贡献，研究人员表示，他们可以更深入地了解设计空间内的复杂关系。
研究人员表示，这项研究为智能设计系统树立了新标准，计算建模、机器学习算法和先进优化技术的融合代表着工程能力的飞跃，可以提高航空航天部件的性能，并彻底改变先进材料领域。
贡戈拉称这项工作“是一项重大进步，展示了人工智能在材料科学和制造业中发挥的必要和有益作用的各种方式”，其影响远远超出了晶格结构领域。
研究人员表示，尽管这篇论文主要关注机械设计，但这种方法可以应用于各种依赖昂贵模拟的设计挑战。鉴于 LLNL 在增材制造方面拥有世界一流的专业知识，Gongora 表示，各种晶格结构都可以在实验室任务领域的交叉应用中进行物理制造、测试和利用。
Gongora 表示：“我们设想我们的研究将广泛应用于依赖昂贵模拟的工作流程中。这些基于 ML 的替代模型对于依赖一个或多个昂贵模拟器的多尺度设计问题至关重要。此外，我们设想我们的研究将用于加速参数化设计优化挑战，科学家、工程师或设计师必须考虑大量涵盖结构和材料的设计参数。
“通过加速计算设计过程，可以智能地选择有趣和新颖的设计进行实验测试。这为科学家在科学研究和设计挑战中使用机器学习工具创造了无数机会。”
LLNL 的合著者包括 Caleb Friedman、Deirdre Newton、Timothy Yee、Zachary Doorenbos、Brian Giera、Eric Duoss、Thomas Y.-J. Han、Kyle Sullivan 和 Jennifer Rodriguez。
更多信息： Aldair E. Gongora 等人，利用机器学习加速晶格结构的设计，科学报告(2024)。DOI ：10.1038/s41598-024-63204-7
期刊信息： 科学报告