Механические метаматериалы - это сложные искусственные структуры с механическими свойствами, которые определяются их структурой, а не составом. Хотя эти конструкции оказались очень перспективными для разработки новых технологий, их проектирование может быть как сложным, так и отнимающим много времени.

Исследователи из Амстердамского университета, AMOLF и Утрехтского университета недавно продемонстрировали потенциал сверточных нейронных сетей (CNNs), класса алгоритмов машинного обучения, для проектирования сложных механических метаматериалов. Их статья, опубликованная в Physical Review Letters, в частности, представляет два различных метода на основе CNN, которые могут выводить и фиксировать тонкие комбинаторные правила, лежащие в основе проектирования механических метаматериалов.

"Наше недавнее исследование можно считать продолжением подхода к комбинаторному проектированию, представленного в предыдущей статье, который может быть применен к более сложным строительным блокам", - сказал Райан ван Мастригт, один из исследователей, проводивших исследование. Phys.org . "Примерно в то время, когда я начал работать над этим исследованием, Алекси Боссарт и Дэвид Дикстра работали над комбинаторным метаматериалом, который способен выполнять множество функций, то есть материал, который может деформироваться множеством различных способов в зависимости от того, как его активировать".

В рамках своего предыдущего исследования ван Мастригт и его коллеги попытались выделить правила, лежащие в основе успешного проектирования сложных метаматериалов. Вскоре они поняли, что это далеко не простая задача, поскольку "строительные блоки", из которых состоят эти структуры, могут быть деформированы и расположены бесчисленным множеством различных способов.

Предыдущие исследования показали, что когда метаматериалы имеют небольшие размеры элементарных ячеек (т.е. ограниченное количество "строительных блоков"), возможно моделирование всех способов, которыми эти блоки могут быть деформированы и расположены с использованием обычных инструментов физического моделирования. Однако по мере увеличения размеров этих элементарных ячеек задача становится чрезвычайно сложной или невозможной.

"Поскольку мы не смогли рассуждать о каких-либо основополагающих правилах проектирования, а обычные инструменты не позволили нам эффективно исследовать конструкции больших элементарных ячеек, мы решили рассмотреть машинное обучение как серьезный вариант", - объяснил ван Мастригт. "Таким образом, основной целью нашего исследования стало определение инструмента машинного обучения, который позволил бы нам исследовать пространство дизайна намного быстрее, чем раньше. Я думаю, что наши результаты преуспели и даже превзошли наши собственные ожидания".

Чтобы успешно обучить CNNs проектированию сложных метаматериалов, ван Мастригту и его коллегам изначально пришлось преодолеть ряд проблем. Во-первых, они должны были найти способ эффективно представить свои проекты из метаматериалов.

"Мы попробовали пару подходов и, наконец, остановились на том, что мы называем пиксельным представлением", - объяснил ван Мастригт. "Это представление кодирует ориентацию каждого строительного блока четким визуальным способом, так что задача классификации сводится к задаче визуального обнаружения паттернов, что является именно тем, в чем хороши CNN".

Впоследствии исследователям пришлось разработать методы, учитывающие огромный классовый дисбаланс метаматериалов. Другими словами, поскольку в настоящее время известно много метаматериалов, относящихся к классу I, но гораздо меньше к классу C (классу, который интересует исследователей), обучение CNN для вывода комбинаторных правил для этих разных классов может потребовать разных шагов.

Чтобы решить эту проблему, ван Мастригт и его коллеги разработали два различных метода, основанных на CNN. Эти два метода применимы к различным классам метаматериалов и задачам классификации.

"В случае с metamaterial M2 мы попытались создать тренировочный набор, сбалансированный по классу", - сказал ван Мастригт. "Мы сделали это, используя наивную недостаточную дискретизацию (т.е. отбросив множество примеров класса I), и объединили это с симметриями, которые, как мы знаем, есть у некоторых конструкций, такими как поступательная и вращательная симметрия, чтобы создать дополнительные конструкции класса C.

"Таким образом, этот подход требует определенных знаний в предметной области. Для метаматериала M1, с другой стороны, мы добавили термин повторного взвешивания к функции потерь, чтобы редкие конструкции класса C имели больший вес во время обучения, где ключевая идея заключается в том, что это повторное взвешивание класса C компенсируется гораздо большим количеством конструкций класса I в обучающем наборе. Этот подход не требует знаний предметной области."

В первоначальных тестах оба этих основанных на CNN метода получения комбинаторных правил, лежащих в основе проектирования механических метаматериалов, достигли весьма многообещающих результатов. Команда обнаружила, что каждый из них лучше справлялся с разными задачами, в зависимости от используемого исходного набора данных и известных (или неизвестных) проектных симметрий.

"Мы показали, насколько необычайно хороши эти сети в решении сложных комбинаторных задач", - сказал ван Мастригт. "Это было действительно удивительно для нас, поскольку все другие обычные (статистические) инструменты, которые мы, как физики, обычно используем, не подходят для такого рода задач. Мы показали, что нейронные сети действительно делают больше, чем просто интерполируют пространство проектирования на основе примеров, которые вы им приводите, поскольку они, по-видимому, каким-то образом предвзяты, чтобы найти структуру (которая исходит из правил) в этом пространстве проектирования, которая чрезвычайно хорошо обобщается ".

Недавние результаты, собранные этой группой исследователей, могут иметь далеко идущие последствия для разработки метаматериалов. Хотя сети, которые они обучили, до сих пор применялись к нескольким структурам метаматериалов, в конечном итоге их можно было бы также использовать для создания гораздо более сложных конструкций, с которыми было бы невероятно трудно справиться с помощью обычных инструментов физического моделирования.

Работа ван Мастригта и его коллег также подчеркивает огромную ценность CNNs для решения комбинаторных задач, задач оптимизации, которые влекут за собой составление "оптимального объекта" или получение "оптимального решения", которое удовлетворяет всем ограничениям в наборе, в случаях, когда задействовано множество переменных. Поскольку комбинаторные проблемы распространены во многих научных областях, эта статья могла бы способствовать использованию CNNS в других областях исследований и разработок.

Исследователи показали, что даже если машинное обучение обычно представляет собой подход "черного ящика" (т.е. оно не всегда позволяет исследователям увидеть процессы, лежащие в основе данного прогноза или результата), оно все равно может быть очень ценным для изучения пространства проектирования метаматериалов и потенциально других материалов, объектов или химических веществ. вещества. Это, в свою очередь, потенциально могло бы помочь рассуждать и лучше понимать сложные правила, лежащие в основе эффективных проектов.

"В наших следующих исследованиях мы обратим наше внимание на обратный дизайн", - добавил ван Мастригт. "Текущий инструмент уже помогает нам значительно сократить пространство для проектирования, чтобы найти подходящие проекты (класса C), но он не позволяет нам найти лучший дизайн для той задачи, которую мы имеем в виду. Сейчас мы рассматриваем методы машинного обучения, которые помогут нам найти чрезвычайно редкие конструкции, обладающие нужными нам свойствами, в идеале, даже если заранее методу машинного обучения не показаны примеры таких конструкций.

"Это очень сложная проблема, но после нашего недавнего исследования мы считаем, что нейронные сети позволят нам успешно решить ее".