使用神经运算符对随机机械元材料进行表征和反向设计
Hanxun Jin1, Boyu Zhang1, Qianying Cao2
1Department of Mechanical Engineering, Northwestern University, Evanston, IL, 60208, USA.
Advanced materials (Deerfield Beach, Fla.)
|April 21, 2025
概括
本研究介绍了一种机器学习 (ML) 框架,使用深度神经运算符来从有限的实验数据设计机械超材料. 这种方法使具有特定非线性机械行为材料的有效反向设计成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 机器学习 (ML) 为设计机械元材料提供了先进的功能.
- 目前的逆向设计方法在与数据密集型要求作斗争,特别是对于非线性微型架构材料.
- 由于数据限制,设计具有非线性机械行为的随机架构材料具有挑战性.
研究的目的:
- 使用稀疏的实验数据开发一个全面的ML框架,用于机械元材料的反向设计.
- 利用深度神经运算符 (例如DeepONet) 来学习微观结构与属性关系.
- 为了实现具有特定非线性机械反应的材料的高效设计.
主要方法:
- 开发了一个使用深度神经运算符 (DeepONet和变体) 的科学ML框架.
- 该框架从稀疏,高质量的实验数据中学习微观结构和机械反应之间的关系.
- 为了解释性和准确性,进行了各种神经运算子和标准神经网络的系统比较.
主要成果:
- 机器学习框架成功地学习了微观结构和机械响应之间的关系.
- 机械反应的预测错误 随机旋微结构的机械反应的预测错误在5-10%之间.
- 该方法证明了针对目标非线性机械行为的高效反向设计能力.
结论:
- 深度神经运算器,结合先进的机械实验,促进复杂的微型架构材料的设计.
- 该框架即使在数据稀缺的情况下也有效,使得能够设计具有所需非线性特性的元材料.
- 这项工作推进了材料设计,为下一代超材料铺平了道路,通过实验洞察得到了信息.
