晶格结构以其复杂的图案和分层设计为特征，由于其多功能性和可定制性，对于从航空航天到生物医学工程等行业的革命具有巨大的潜力。然而，这些结构的复杂性及其所包含的巨大设计空间给工程师和科学家带来了巨大的障碍，而传统的设计探索和优化方法在面对晶格设计领域的巨大可能性时往往会显得不足。

劳伦斯利弗莫尔国家实验室 (LLNL) 的科学家和工程师正在寻求通过结合机器学习 (ML) 和人工智能来解决这些长期存在的挑战，以加速具有低重量和低密度等特性的晶格结构的设计。高强度，可以以前所未有的速度和效率进行优化。

在最近的一项研究中发表经过科学报告LLNL 研究人员将基于机器学习的方法与传统计算技术融合在一起，希望开创点阵设计的新时代。通过利用机器学习算法的力量，研究人员正在解锁预测机械性能、优化设计变量并加快拥有数百万种潜在设计选项的晶格的计算设计过程的能力。

“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其多样化的机械性能，”主要作者、LLNL 工程师 Aldair Kongora 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（人工智能）可以在加速设计过程中发挥作用。”

这项新研究的核心是开发基于机器学习的替代模型，作为探索晶格结构机械行为的虚拟原型。这些代理模型经过结合各种晶格族和几何设计变量的大量数据的训练，表现出卓越的预测能力，并且可以为设计参数以及几何和结构在设计中的作用提供宝贵的见解。机械性能，准确率超过 95%，Gongora 说。

此外，通过将基于机器学习的方法纳入设计循环，该团队证明可以通过探索不到 1% 的理论设计空间大小来加速优化设计，他说。

为了有效地驾驭晶格设计可能性的广阔领域，研究人员转向贝叶斯优化（一种复杂的主动学习形式）等方法。研究人员表示，通过按顺序智能选择和评估设计，贝叶斯优化简化了探索过程，将寻找高性能设计所需的模拟次数减少了五倍，并且能够以惊人的速度识别高性能晶格配置。

研究人员表示，这种方法不仅减少了寻找新设计所需的模拟次数，而且还最大限度地减少了与详尽设计搜索相关的计算负担。

该团队还采用了沙普利附加解释 (SHAP) 分析（一种用于了解不同因素或变量如何影响模型中的特定结果或预测的方法）来解释各个设计变量对性能的影响。研究人员表示，通过剖析每个参数对整体机械行为的贡献，他们可以更深入地了解设计空间内错综复杂的关系。

研究人员表示，这项研究为智能设计系统设立了新标准，计算建模、机器学习算法和先进优化技术的融合代表了工程能力的飞跃，可以增强航空航天部件的性能并彻底改变先进材料领域。

贡戈拉称这项工作“在展示人工智能在材料科学和制造中发挥重要和有益作用的各种方式方面取得了重大进展”，其影响远远超出了晶格结构领域。

研究人员表示，虽然这篇论文的重点是机械设计，但该方法可以应用于各种依赖昂贵模拟的设计挑战。鉴于 LLNL 在增材制造方面拥有世界一流的专业知识，Gongora 表示，晶格结构可以在跨越实验室任务领域的交叉应用中进行物理制造、测试和使用。

“我们设想我们的研究将在依赖昂贵模拟的工作流程中广泛实施，”贡戈拉说。“这些基于机器学习的替代模型对于依赖一个或多个昂贵模拟器的多尺度设计问题可能至关重要。此外，我们设想我们的研究将用于加速参数化设计优化挑战，而科学家、工程师或设计师必须考虑大量参数化设计优化挑战。跨越结构和材料的设计参数的数量。

“通过加速计算设计过程，可以智能地减少有趣和新颖的设计以进行实验测试。这为科学家在科学研究和设计挑战中使用机器学习工具创造了大量机会。”

LLNL 的合著者包括 Caleb Friedman、Deirdre Newton、Timothy Yee、Zachary Doorenbos、Brian Giera、Eric Duoss、Thomas Y.-J。汉、凯尔·沙利文和詹妮弗·罗德里格斯。