Journal

Neural Metamaterial Networks for Nonlinear Material Design

Yue Li, Stelian Coros, Bernhard Thomaszewski

ETH Zürich

SIGGRAPH Asia 2023Animation & SimulationMetamaterialInverse DesignNeural NetworkHomogenizationNonlinear ElasticityFEM
Paper

一句话总结

用一个可微的神经网络（NMN）学习整个超材料家族的非线性本构关系（从结构参数与应变映射到应变能密度），从而把”给定力学性能目标反求微结构参数”变成一个基于解析梯度的优化问题。

研究背景

  • 领域现状：机械超材料通过设计微观结构可以获得可编程的宏观力学性质，图形学界近年在几何处理、物理建模与计算制造方向涌现了大量超材料设计工作，尤其关注能承受大变形的柔性超材料。
  • 核心痛点：在大变形（非线性）区间做反向设计有两大难题。其一，为某种超材料建立既准确又满足客观性、凸性、可积性等第一性原理的非线性宏观本构模型本身就很难；其二，改变结构参数会改变仿真网格，网格拓扑在某些临界点必须突变，由此产生的仿真导数不连续，会破坏基于梯度的优化的鲁棒性。
  • 本文 idea：训练一个连续可微的神经网络，直接学习”结构参数 + 应变 → 应变能密度”的映射。应力由能量对应变求导得到，因此天然保守；网络虽用有限元仿真数据训练，却不继承网格拓扑突变带来的不连续，给出从参数空间到性能空间的光滑、可微映射，非常适合梯度优化。

方法

整体框架：以等面性铺砖（isohedral tilings）参数族作为几何设计空间；对每组铺砖参数用有限元仿真其单胞在单轴/双轴、多方向多幅值下的平衡态，再用均匀化提取宏观量（Green 应变 E、第二类 Piola-Kirchhoff 应力 S、能量密度 Ψ）；用这些数据训练一个双分支 MLP，把应变与铺砖参数映射到能量密度 Φ；最后利用网络的解析导数把反向设计写成双层约束优化问题求解。

flowchart LR
  A["铺砖参数 T"] --> B["微尺度 FEM 仿真<br/>单轴/双轴多方向加载"]
  B --> C["均匀化<br/>提取 E, S, Ψ"]
  C --> D["训练双分支 MLP<br/>Φ(T, E)"]
  D --> E["反向设计<br/>双层约束优化"]

关键设计：

  1. 微尺度仿真与均匀化。假设面外载荷可忽略，采用平面应力做二维处理；对单胞用二次三角形单元离散，在 2×2 周期贴片上仿真，周期性作为硬约束隐式施加，自接触用对数障碍势处理。宏观量通过边界对应顶点对计算变形梯度 F 与 Cauchy 应力 σ，再换算成work-conjugate 的应变-应力对，满足

\[\boldsymbol{S}(\boldsymbol{E}) = \frac{\partial \Psi(\boldsymbol{E})}{\partial \boldsymbol{E}}\]

其中能量密度 \(\Psi = E_{\text{total}} / V\)。数据生成时对单轴（30% 压缩到 50% 拉伸）与双轴分别采样，每组参数约 2250 次仿真，一个家族累计 90 万到 450 万次仿真。

  1. 神经超材料网络（NMN）。双分支 MLP，应变 E 与铺砖参数 T 分别经 3 层子块后拼接，再过若干隐藏层（256 神经元）。中间层用 Swish 激活 \(x \to x \cdot \text{sigmoid}(x)\)，最后一层用 softplus \(x \to \log(1 + \exp(x))\) 保证能量为正。应力经反向传播由能量导出，因此在数据点之外也保守；网络对网格连通性变化引起的参数不连续免疫。

  2. 能量 + 梯度双损失。训练同时监督能量密度与应力（能量对应变的梯度），并按各样本目标值归一化以平衡不同应变幅值的贡献：

\[L_{\text{NN}} = \frac{1}{N_{\text{sp}}} \sum_i \frac{1}{\Psi_i}\left(\Phi(\boldsymbol{T}_i, \boldsymbol{E}_i) - \Psi_i\right)^2 + \frac{1}{N_{\text{sp}}} \sum_i \frac{1}{\lVert \boldsymbol{S}_i \rVert^2}\left\lVert \frac{\partial \Phi}{\partial \boldsymbol{E}_i} - \boldsymbol{S}_i \right\rVert_2^2\]

  1. 双层反向设计。把反求参数写成双层优化：外层匹配用户给的性能目标（单轴应力-应变曲线、方向刚度、方向泊松比），内层保证应变对应真实的单轴加载条件（受约束的能量最小化）。外层用敏感度分析 + L-BFGS-B，内层用序列二次规划（SQP），内层最优性条件对参数求导可得 \(dq/dT\) 的闭式表达，从而拿到设计目标关于参数的完整解析梯度。

实验结果

在 7 个不同参数个数的铺砖家族上评估网络在测试集上的相对误差，能量与梯度误差均很低（最大梯度误差 1.63%）：

铺砖家族 参数个数 相对梯度误差↓ 相对能量误差↓
IH29 1 1.38% 0.709%
IH21 2 1.61% 0.883%
IH50 2 1.14% 0.921%
IH67 2 1.63% 0.739%
IH28 2 1.05% 0.472%
IH22 3 1.57% 1.13%
IH01 4 1.20% 0.579%

在额外的单轴加载测试（每族 1250 个测试点）上，网络优化得到的方向应力相对原生尺度仿真的平均/最大误差为 0.475% / 3.57%。反向设计三类任务（单轴应力-应变曲线、方向刚度、方向泊松比，含正负泊松比互转）优化结果与原生尺度仿真参考曲线高度吻合。网络推理可实时（能量及一、二阶导数评估约 \(10^{-4}\) 秒量级）；相比原生尺度仿真，求平衡态的性能提升最高可达 2000%（神经表示计算时间几乎恒定，而原生仿真在大变形压缩/接触时可耗时高达 148 秒）。消融显示只有 Swish 激活能同时给出光滑的二阶导数（tanh 与 sine 在二阶导上表现差）。

亮点与局限

  • 亮点：
    • 以能量为学习对象、应力由求导得到，保守力天然成立，且在数据点之外仍成立。
    • 用一个网络刻画”整个超材料家族”的连续参数空间，而非单个微结构；提供从参数到性能的光滑可微映射。
    • 明确绕开了网格拓扑突变（含亏格变化的拓扑奇点）导致的仿真梯度不连续，实验直接展示了穿越奇点时神经表示仍光滑。
    • 反向设计统一成双层约束优化并给出解析梯度，支持应力曲线、方向刚度、方向泊松比多种直观目标，且推理实时、优化提速显著。
  • 局限：
    • 采样策略较简单，结构参数一多，覆盖感兴趣区域所需样本数急剧膨胀（维度灾难）。
    • 训练数据来自合成仿真，尚未结合真实测量；对 3D 打印的 TPU 等材料，Neo-Hookean 模型可能不够。
    • 单个家族训练成本高（视参数个数需 2 到 4 天），且当前只针对由平面图案挤出的二维（平面应力）超材料。

延伸思考

  • 作者指出核心公式扩展到一般 3D 超材料只需把应变输入从 3 维增到 6 维，是很自然的后续方向；这类”神经本构 + 均匀化”思路也可迁移到布料、塑性等其他大变形材料的可微代理建模。
  • “用光滑神经场替代含网格的仿真以规避拓扑不连续”是一个通用性很强的观察，对任何几何优化中会遇到重网格/拓扑突变的可微仿真管线都有借鉴意义。
  • 值得追问：仅用梯度（应力）数据、不用能量标签来做训练以对接真实实验测量，是否能保持保守性与精度；以及在高维参数空间中如何做重参数化/降维与自适应采样以缓解样本爆炸。