使用机器学习推断复杂机械超材料的设计规则_机器人利弊英文作文

1.可编程机械超材料

编辑 | 绿萝从蛋白质和磁铁到超材料，它们是否可折叠、是否被磁化、是否具有目标属性，通常需要从它们的结构计算这些属性这在原则上通常很简单，但在实践中计算量很大机械超材料是一种复杂的人工结构，其机械特性由其结构而非成分驱动。

2.复杂机械实现简单功能

虽然这些结构已被证明对于新技术的开发非常有前途，但设计它们既具有挑战性又耗时神经网络 (NN) 等机器学习算法通过「学习」结构的分类来放弃对此类计算的需要近日，荷兰阿姆斯特丹大学、原子和分子物理学研究所（AMOLF）和乌得勒支大学的研究人员展示了卷积神经网络（CNN） 在设计复杂机械超材料方面的潜力。

3.复杂的机械简单的原理

介绍了两种不同的基于 CNN 的方法，可以推导和捕捉支撑机械超材料设计的微妙组合规则该研究以「Machine Learning of Implicit Combinatorial Rules in Mechanical Metamaterials」为题发表在《Physical Review Letters》 上。

4.材料的机械性能实验的全过程可用一张什么图反应

打开凤凰新闻，查看更多高清图片论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.198003拼图、折纸和材料设计中出现的组合问题具有罕见的解决方案集，这些解决方案在配置空间中定义了复杂且清晰划定的边界。

5.目前广泛应用的机械超材料

这些边界很难用传统的统计和数值方法捕捉在这里，研究人员展示了卷积神经网络可以学习识别组合机械超材料的这些边界，即使使用严重欠采样的训练集，也可以做到最细微的细节，并且可以成功地推广这些结果表明，CNN 隐含地学习了组合问题的基于规则的基础结构。

6.机械材料选择的三大原则

这开辟了在组合规则未知时使用神经网络有效探索设计空间和逆向设计的可能性先前的研究表明，当超材料的晶胞尺寸较小（（即「构建块」的数量有限）时，可以使用传统的物理模拟工具模拟这些块变形和排列的所有方式然而，随着这些晶胞尺寸变大，任务变得极具挑战性或不可能完成。

7.机械设计中的材料选择及应用

van Mastrigt 解释说：「由于我们无法推断出任何潜在的设计规则，而且传统工具无法让我们以有效的方式探索更大的单元设计，我们决定将机器学习视为一个严肃的选择因此，我们研究的主要目标变成了确定一种机器学习工具，使我们能够比以前更快地探索设计空间。

8.机械材料有什么用

我认为我们的发现是成功的，甚至超出了我们自己的预期」为了成功训练 CNN 来处理复杂超材料的设计，van Mastrigt 和他的同事最初必须克服一系列挑战首先，他们必须找到一种方法来有效地表现他们的超材料设计。

9.材料机械性能实验的全过程可以用一张什么图反映出来

「我们尝试了几种方法并最终确定了我们所说的像素表示，」van Mastrigt 解释道「这种表示以清晰的视觉方式对每个构建块的方向进行编码，从而将分类问题转化为视觉模式检测问题，而这正是 CNN 所擅长的。

」随后，研究人员不得不设计出考虑巨大的超材料类不平衡的方法换句话说，由于目前有许多已知的属于 I 类的超材料，但属于 C 类（研究人员感兴趣的类别）的超材料要少得多，因此训练 CNN 推断这些不同类别的组合规则可能需要不同的步骤。

图示：超材料的分类（来源：论文）为了应对这一挑战，van Mastrigt 和他的同事设计了两种不同的基于 CNN 的技术这两种技术适用于不同的超材料类别和分类问题「对于超材料 M2，我们试图创建一个类平衡的训练集，」van Mastrigt 说。

「我们使用朴素欠采样（naïve undersampling），即丢弃大量 I 类示例，来完成此操作，并将其与我们知道某些设计具有的对称性（例如平移和旋转对称性）相结合，以创建额外的 C 类设计「因此，这种方法需要一些领域知识。

另一方面，对于超材料 M1，我们在损失函数中添加了一个重新加权项，这样罕见的 C 类设计在训练期间权重更大，关键思想是这种重新加权类C 抵消了训练集中大量的 I 类设计这种方法不需要领域知识」在最初的测试中，这两种基于 CNN 的推导机械超材料设计背后的组合规则的方法都取得了非常有希望的结果。

该团队发现他们每个人在不同的任务上表现更好，这取决于使用的初始数据集和已知（或未知）的设计对称性「我们展示了这些网络在解决复杂组合问题方面的出色表现，」van Mastrigt 说「这对我们来说真的很令人惊讶，因为我们作为物理学家通常使用的所有其他传统（统计）工具都无法解决这些类型的问题。

我们表明，神经网络的作用不仅仅是根据您提供的示例对设计空间进行插值，因为它们似乎在某种程度上偏向于在这个设计空间中找到一个结构(来自规则)，可以非常好地泛化」这组研究人员最近收集的研究结果可能对超材料的设计产生深远的影响。

虽然到目前为止，他们训练的网络已应用于一些超材料结构，但它们最终也可用于创建更复杂的设计，使用传统的物理模拟工具很难解决这些问题van Mastrigt 和他的同事的工作还强调了 CNN 在解决组合问题、优化任务方面的巨大价值，这些问题需要组合「最佳对象」或推导满足集合中所有约束的「最佳解决方案」，在存在的情况下许多变数在起作用。

由于组合问题在许多科学领域都很常见，因此本文可以促进 CNN 在其他研究和开发环境中的使用研究人员表明，即使机器学习通常是一种「黑匣子」方法，但它对于探索超材料的设计空间仍然非常有价值，以及可能的其他材料、物体或化学物质。

这反过来可能有助于推理和更好地理解有效设计背后的复杂规则「在我们接下来的研究中，我们将把注意力转向逆向设计，」van Mastrigt 补充道「当前的工具已经极大地帮助我们减少了设计空间以找到合适的（C 类）设计，但它并没有为我们找到我们心目中的任务的最佳设计。

们正在考虑用机器学习的方法来帮助我们找到具有我们想要的特性的极其罕见的设计，理想情况下，即使没有这样的设计的例子被事先展示给机器学习方法「这是一个非常困难的问题，但经过我们最近的研究，我们相信神经网络将使我们能够成功解决它。

」参考内容：https://phys.org/news/2022-11-machine-infer-complex-mechanical-metamaterials.html