ترجمه فارسی مقاله بهینه‌سازی طراحی مقاوم مبتنی بر چارچوب یادگیری عمیق آگاه از عدم قطعیت واحدهای متامتریال

چکیده

Mechanical metamaterials represent an innovative class of artificial structures, distinguished by their extraordinary mechanical characteristics, which are beyond the scope of traditional natural materials. The use of deep generative models has become increasingly popular in the design of metamaterial units. The effectiveness of using deep generative models lies in their capacity to compress complex input data into a simplified, lower-dimensional latent space, while also enabling the creation of novel optimal designs through sampling within this space. However, the design process does not take into account the effect of model uncertainty due to data sparsity or the effect of input data uncertainty due to inherent randomness in the data. This might lead to the generation of undesirable structures with high sensitivity to the uncertainties in the system. To address this issue, a novel uncertainty-aware deep learning framework-based robust design approach is proposed for the design of metamaterial units with optimal target properties. The proposed approach utilizes the probabilistic nature of the deep learning framework and quantifies both aleatoric and epistemic uncertainties associated with surrogate-based design optimization. We demonstrate that the proposed design approach is capable of designing high-performance metamaterial units with high reliability. To showcase the effectiveness of the proposed design approach, a single-objective design optimization problem and a multi-objective design optimization problem are presented. The optimal robust designs obtained are validated by comparing them to the designs obtained from the topology optimization method as well as the designs obtained from a deterministic deep learning framework-based design optimization where none of the uncertainties in the system are explicitly considered.

چکیده به فارسی (ترجمه ماشینی)

متامیان مکانیکی یک طبقه نوآورانه از ساختارهای مصنوعی را نشان می دهند ، که با ویژگی های مکانیکی فوق العاده آنها ، که فراتر از محدوده مواد طبیعی سنتی است ، متمایز می شود.استفاده از مدل های تولیدی عمیق در طراحی واحدهای متامال به طور فزاینده ای محبوب شده است.اثربخشی استفاده از مدل های تولیدی عمیق در ظرفیت آنها برای فشرده سازی داده های ورودی پیچیده به یک فضای نهفته ساده و با ابعاد پایین است ، در حالی که امکان ایجاد طرح های بهینه جدید را از طریق نمونه برداری در این فضا فراهم می کند.با این حال ، فرایند طراحی تأثیر عدم اطمینان مدل را به دلیل کمبود داده یا تأثیر عدم اطمینان داده های ورودی به دلیل تصادفی ذاتی در داده ها در نظر نمی گیرد.این ممکن است منجر به تولید ساختارهای نامطلوب با حساسیت زیاد به عدم قطعیت های سیستم شود.برای پرداختن به این موضوع ، یک رویکرد طراحی قوی مبتنی بر چارچوب مبتنی بر چارچوب یادگیری عمیق-آگاه جدید برای طراحی واحدهای متامادی با خصوصیات هدف بهینه ارائه شده است.رویکرد پیشنهادی از ماهیت احتمالی چارچوب یادگیری عمیق استفاده می کند و هر دو عدم قطعیت های aleatoric و معرفتی مرتبط با بهینه سازی طراحی مبتنی بر جانشین را تعیین می کند.ما نشان می دهیم که رویکرد طراحی پیشنهادی قادر به طراحی واحدهای متامادی با کارایی بالا با قابلیت اطمینان بالا است.برای نشان دادن اثربخشی رویکرد طراحی پیشنهادی ، یک مشکل بهینه سازی طراحی تک هدف و یک مشکل بهینه سازی طراحی چند هدف ارائه شده است.طرح های بهینه بهینه به دست آمده با مقایسه آنها با طرح های به دست آمده از روش بهینه سازی توپولوژی و همچنین طرح های به دست آمده از یک بهینه سازی طراحی مبتنی بر چارچوب عمیق قطعی که در آن هیچ یک از عدم قطعیت های سیستم به صراحت مورد توجه قرار نمی گیرد ، تأیید می شود.