مقاله ویژگی های مکانیکی و طراحی معکوس متاماده های معماری تصادفی با استفاده از عملگرهای عصبی

چکیده

Machine learning (ML) is emerging as a transformative tool for the design of architected materials, offering properties that far surpass those achievable through lab-based trial-and-error methods. However, a major challenge in current inverse design strategies is their reliance on extensive computational and/or experimental datasets, which becomes particularly problematic for designing micro-scale stochastic architected materials that exhibit nonlinear mechanical behaviors. Here, we introduce a new end-to-end scientific ML framework, leveraging deep neural operators (DeepONet), to directly learn the relationship between the complete microstructure and mechanical response of architected metamaterials from sparse but high-quality in situ experimental data. The approach facilitates the inverse design of structures tailored to specific nonlinear mechanical behaviors. Results obtained from spinodal microstructures, printed using two-photon lithography, reveal that the prediction error for mechanical responses is within a range of 5 – 10%. Our work underscores that by employing neural operators with advanced micro-mechanics experimental techniques, the design of complex micro-architected materials with desired properties becomes feasible, even in scenarios constrained by data scarcity. Our work marks a significant advancement in the field of materials-by-design, potentially heralding a new era in the discovery and development of next-generation metamaterials with unparalleled mechanical characteristics derived directly from experimental insights.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) به عنوان ابزاری تحول آمیز برای طراحی مواد معماری در حال ظهور است و خواصی را ارائه می دهد که از طریق روشهای آزمایشی و خطا مبتنی بر آزمایشگاه از آن فراتر رفته است.با این حال ، یک چالش مهم در استراتژی های طراحی معکوس فعلی ، اعتماد به نفس آنها به مجموعه داده های محاسباتی و/یا تجربی گسترده است ، که به ویژه برای طراحی مواد معماران تصادفی در مقیاس میکرو که رفتارهای مکانیکی غیرخطی دارند ، مشکل ساز می شود.در اینجا ، ما یک چارچوب علمی علمی پایان به پایان ، با استفاده از اپراتورهای عصبی عمیق (DeepOnet) را معرفی می کنیم تا مستقیماً رابطه بین ریزساختار کامل و پاسخ مکانیکی متامیان معماری را از داده های تجربی پراکنده اما با کیفیت بالا درجا یاد بگیریم.این رویکرد طراحی معکوس سازه های متناسب با رفتارهای مکانیکی غیرخطی خاص را تسهیل می کند.نتایج به دست آمده از ریزساختارهای اسپینودال ، چاپ شده با استفاده از لیتوگرافی دو فوتونی ، نشان می دهد که خطای پیش بینی برای پاسخ های مکانیکی در محدوده 5 – 10 ٪ است.کار ما تأکید می کند که با استفاده از اپراتورهای عصبی با تکنیک های تجربی پیشرفته میکرو مکانیک ، طراحی مواد پیچیده میکرو با خواص مورد نظر امکان پذیر می شود ، حتی در سناریوهایی که توسط کمبود داده ها محدود می شوند.کار ما پیشرفت چشمگیری در زمینه مواد به صورت طراحی است ، که به طور بالقوه دوره جدیدی را در کشف و توسعه متامال های نسل بعدی با خصوصیات مکانیکی بی نظیر حاصل از بینش های تجربی می کند.