数据中心/云端

图神经网络在增材制造中的应用

格构结构是自然和人工制造的设计,在许多科学领域都很重要,如材料科学、航空航天工程和生物医学工程。它们是通过重复的图案连接较小的特拉斯结构制成的,并产生高的强度与重量比。

增材制造中 3D 打印的兴起凸显了晶格的重要性,使其能够创建具有复杂几何形状和空间调谐材料特性的定制设计。格纹设计可根据具体需求进行定制。例如,它们可以被制成更坚固的以承载更多的重量,或者被设计成具有增强的热导率。定制晶格结构的能力使它们在许多不同的领域都很有用,特别是在理论和实际应用相结合的学科中。

研究人员来自 Carbon3D,他们正在利用人工智能创建高效、经济高效的模拟,以生成复杂的 3D 打印结构,特别关注复杂的晶格设计。为此,他们正在使用 NVIDIA 模数 将图神经网络训练为模拟晶格结构动力学的人工智能代理。

这项技术解决了增材制造中的一个关键挑战:模拟复杂零件行为所需的高成本和高时间。传统上,由于模拟工具的限制,设计吸收能量的产品,如鞋底、头盔衬垫和自行车座垫,需要昂贵的原型设计和物理测试。

Carbon3D 的方法使用了替代模型,这些模型是实际结构的简化数字表示。研究人员使用 NVIDIA 模数作为他们的训练框架,并使用优化的网络架构,这提供了增强的内存效率和计算性能。这使得能够进行高保真度分析,同时显著减少计算需求。

这一突破有可能彻底改变复杂结构 3D 打印的设计和采用。它为更快的开发周期和更具创新性的产品设计打开了大门。

Image of a composite structure formed from five distinct unit cell types, showing the variety of configurations that can be obtained for additive manufacturing through a limited set of initial repeating blocks.
图 1。一个样品 3D 打印弹性体组件,用于增材制造

LatticeGraphNet 简介:一种用于格结构的图网络

了解晶格结构的力学特性通常需要昂贵且耗时的物理实验和高保真度的数值模拟。

这些模拟,特别是 增量潜在接触(IPC) 方法,能够准确地描述弹性晶格结构对压缩的反应。然而,这种模拟具有很高的复杂度和运行时间长的缺陷,从而突出了对更快模拟方法的需求。

物理知情机器学习(Physics ML)技术,特别是物理知情神经网络(PINN)和图神经网络(GNN),在增强基于数值方法的模拟方面取得了重大进展。这些方法对于学习基于网格的模拟的动力学特别有效,并已被提出用于帮助超材料组件的表征。

LatticeGraphNet(LGN) 是一种开创性的图神经算子(GNO),它利用 网格图网(MGN) 架构,旨在作为 3D 网格超材料的高保真度非线性新胡克 IPC 模拟的替代模型。

LGN 使用多尺度架构,使用两种基于 MGN 的架构(LGN-i 和 LGN-ii)来预测不同精度水平的动力学。这显著减少了运行推理的时间,并为看不见的模拟保持了高精度。

LGN 管道从由四面体网格表示的初始 3D 晶格开始,该晶格被转换为简化(骨架)表示。LGN-i 对简化网格进行推理以获得粗略位移,LGN-ii 映射这些位移以预测四面体网格上的精细体积位移。

LGN 的理论基础植根于格的动力学。它考虑了在大变形下使用超弹性新胡克模型描述的弹性体材料。基于新胡克弹性动力学公式,使用 IPC 方法生成晶格变形的训练数据。

LGN-i 作为 LGN 管道的一部分,包含三个主要部分:

  • 编码器:将节点和边缘特征编码为高维向量,以便进行后续处理。
  • 处理器通过消息传递块处理高维向量。
  • 解码器:计算最终的位移和应力不变形增量。
Input to the network is a reduced graph representation of the tetrahedral mesh. The node encoder and edge encoder encode the node and edge features to high-dimensional vectors. The message-passing block uses two processor MLPs. LGN-i uses 15 message-passing steps with identical blocks. The two-part decoder contains MLPs to compute the displacement increment and calculate the change in the stress invariants. Upon rollout, the node and edge features for the next timestep are computed.
图 2:LGN-i 网络架构使 LatticeGraphNet 能够预测不同精度级别的动力学

LGN-ii 在每个骨架节点及其相关四面体节点的位置上迭代,以预测体积四面体节点的变形。该网络还包括编码器、处理器和解码器,每一个都经过定制以处理晶格结构的不同方面。

LGN-i predicts the displacement of every strut node. Based on this information, LGN-ii predicts the fine local deformation of the jth tetrahedral node. The final tetrahedral node displacement is the sum of the two displacements.
图 3。LGN-ii 建立的体积变形预测

除了预测变形,LGN 还使用均匀化方法来近似反作用力,这是理解晶格力学的一个重要方面。

研究团队使用 NVIDIA 模数来探索和实验这些架构创新,使用模数的 MeshGraphNet 实现作为主干。

该团队还以模量涡流脱落配方为基础开发了他们的模型训练代码,并对其进行了定制以适应他们的特定用例。

训练数据集包括 108 个高保真度模拟,来自 Carbon 的 MetaMaterial 库。在训练阶段,我们进一步增强了训练数据集,以确保模型的稳健性和准确性。LGN 在一组八个额外的模拟上进行了测试,这些模拟涵盖了各种晶格形状和厚度。

晶格模拟的里程碑

LGN 的结果证明了其准确预测弹性晶格变形的能力,包括屈曲等具有挑战性的方面。虽然 LGN 只训练到 25%的应变,并且在反作用力预测中注意到一些不准确之处,但 LGN 的总体性能标志着该领域的重大进步。

Four 3D renderings of elastomeric lattices, which accurately predicted deformation.
图 4。原始网格冰球,LGN 预测 25%压缩变形,以及体积节点位移误差的分布。

LatticeGraphNet 是模拟晶格结构的一个重要里程碑,为快速准确的预测提供了强大的工具。它的发展证明了机器学习在制造业中的创新应用。

这种集成展示了人工智能代理模拟工程结构动力学的潜力,并为设计和分析复杂结构开辟了新的途径。

使用 NVIDIA 模数进行物理模拟和制造

NVIDIA 模数 是一个基于 开源项目,遵循 Apache 2.0 许可证,旨在支持不断增长的物理学 ML 社区。如果您是一名从事物理知情机器学习领域的人工智能研究人员,请访问 NVIDIA/Modulus GitHub 仓库,了解 NVIDIA Modulus 如何帮助您的项目。

NVIDIA Modulus 是您研究工作的多功能工具包。它使您能够使用一系列 GPU 优化的网络架构,就像 Carbon3D 研究人员使用 NVIDIA Modulus 的 MeshGraphNet 模型进行增材制造研究一样。

NVIDIA Modulus 还提供了一系列广泛的数据管道、指标和实用程序,以及支持数据和模型并行性的分布式管理器。您可以使用各个领域的参考应用程序和相应的培训配方,为您的研究提供一个很好的起点。根据您的需求量身定制。

如果您想为项目贡献您的工作,请按照 贡献准则 参与项目,并与 NVIDIA Modulus 团队在 GitHub 上的 NVIDIA/modulus 讨论区 进行交流。

结论

NVIDIA 正在庆祝开发人员在用例中的贡献,展示如何使用 NVIDIA Modulus 框架构建和训练物理 ML 模型。同样重要的是,努力在 Modulus 开源项目中系统地为社区和生态系统组织此类创新工作,以解决其工程和科学代理建模问题。

欲了解模量在各个行业中的应用,请访问 NVIDIA 模数资源中心。欲了解 Carbon 晶格设计的更多信息,请访问 Carbon3D 官方网站。

 

Tags