LLNL工程师利用机器学习解锁晶格结构的新可能性

晶格结构以其复杂的模式和分层设计为特征，在包括汽车、航空航天和生物医学工程在内的各个行业提供了巨大的潜力。凭借其出色的高强度重量比，可定制性和多功能性，点阵结构能够开发轻质，耐用的组件，可以精确地定制以满足特定的功能要求。

然而，结构的复杂性和晶格结构所包含的广阔设计空间使得传统方法难以彻底探索所有可能的配置并确定应用的最佳解决方案。随着每一个额外的设计变量，可能的配置呈指数增长，使设计空间变得棘手。

美国劳伦斯利弗莫尔国家实验室(LLNL)的工程师们正在寻求利用机器学习(ML)和人工智能(AI)的力量来应对这些挑战。由ML和AI驱动的先进计算工具使LLNL的研究人员能够显著加速和增强晶格结构设计的优化。

在《科学报告》发表的一项研究中，LLNL的研究人员详细介绍了他们如何使用ML算法和传统方法相结合来优化设计变量，预测机械性能，并加速具有数百万种潜在配置的晶格的设计过程。

“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，真正利用晶格结构提供的设计自由度，并利用它们不同的机械性能。”主要作者、LLNL工程师Aldair Gongora说。

“这项工作推动了设计领域的发展，因为它展示了一种将基于ML的迭代方法集成到设计工作流程中的可行方法，并强调了ML和人工智能(AI)在加速设计过程中可以发挥的关键作用。”

LLNL的研究人员使用ML解决了设计晶格结构的两个主要挑战。首先，他们开发了一个模型，帮助他们了解各种设计选择对晶格机械性能的影响。其次，他们创造了一种方法来有效地识别哪些设计是最有效的。

研究的核心是创建机器学习驱动的代理模型，作为研究晶格结构力学特性的数字原型。这些模型是在一个包含各种格子设计变量的庞大数据集上训练的。

代理模型能够为设计参数及其对机械性能的影响提供有价值的见解。根据Gongora的说法，代理模型的准确率超过95%，使研究人员能够通过仅探索1%的设计空间大小来优化晶格设计。

利用贝叶斯优化和Shapley加性解释(SHAP)分析，研究人员有效地探索了晶格设计选项，减少了计算负荷和确定最佳设计所需的模拟次数。他们声称，与传统的基于网格的搜索方法相比，他们定制的主动学习方法寻找最佳晶格结构所需的模拟次数减少了82%。

该研究为使用计算建模和ML算法的智能设计系统设定了新的基准。它还强调了人工智能在为各种应用设计晶格结构方面的关键作用。展望未来，Gongora希望他的研究将产生超越晶格结构领域的影响。他认为，这种方法可以应用于各种设计挑战，这些挑战通常依赖于昂贵的模拟。