Metamateriais mecânicos são estruturas artificiais sofisticadas com propriedades mecânicas que são impulsionadas por sua estrutura, e não por sua composição. Embora essas estruturas tenham se mostrado muito promissoras para o desenvolvimento de novas tecnologias, projetá-las pode ser desafiador e demorado.
Pesquisadores da Universidade de Amsterdã, AMOLF e da Universidade de Utrecht demonstraram recentemente o potencial das redes neurais convolucionais (CNNs), uma classe de algoritmos de machine learning, para projetar metamateriais mecânicos complexos. Seu artigo, publicado na Physical Review Letters, apresenta especificamente dois métodos diferentes baseados em CNN que podem derivar e capturar as sutis regras combinatórias que sustentam o design de metamateriais mecânicos.
“Nosso estudo recente pode ser considerado uma continuação da abordagem de design combinatório introduzida em um artigo anterior, que pode ser aplicada a blocos de construção mais complicados”, disse Ryan van Mastrigt, um dos pesquisadores que realizaram o estudo, ao Phys.org. “Na época em que comecei a trabalhar neste estudo, Aleksi Bossart e David Dykstra estavam trabalhando em um metamaterial combinatório capaz de hospedar múltiplas funcionalidades, ou seja, um material que pode se deformar de várias maneiras distintas, dependendo de como é acionado”.
Como parte de sua pesquisa anterior, van Mastrigt e seus colegas tentaram destilar as regras que sustentam o projeto bem-sucedido de metamateriais complexos. Eles logo perceberam que isso estava longe de ser uma tarefa fácil, pois os “blocos de construção” que compõem essas estruturas podem ser deformados e dispostos de inúmeras maneiras diferentes.
Estudos anteriores mostraram que, quando os metamateriais têm pequenos tamanhos de células unitárias (ou seja, uma quantidade limitada de “blocos de construção”), é possível simular todas as maneiras pelas quais esses blocos podem ser deformados e organizados usando ferramentas convencionais de simulação de física. À medida que esses tamanhos de células unitárias se tornam maiores, no entanto, a tarefa se torna extremamente desafiadora ou impossível.
“Como não conseguimos raciocinar sobre as regras de design subjacentes e as ferramentas convencionais falharam em nos permitir explorar projetos de células unitárias maiores de maneira eficiente, decidimos considerar o machine learning como uma opção séria”, explicou van Mastrigt. “Assim, o principal objetivo do nosso estudo foi identificar uma ferramenta de machine learning que nos permitisse explorar o espaço de design muito mais rápido do que antes. Acho que conseguimos e até superamos nossas próprias expectativas com nossas descobertas.”
Para treinar com sucesso as CNNs para lidar com o design de metamateriais complexos, van Mastrigt e seus colegas inicialmente tiveram que superar uma série de desafios. Em primeiro lugar, eles tiveram que encontrar uma maneira de representar efetivamente seus projetos de metamateriais.
“Tentamos algumas abordagens e finalmente decidimos o que chamamos de representação de pixel”, explicou van Mastrigt. “Esta representação codifica a orientação de cada bloco de construção de uma maneira visual clara, de modo que o problema de classificação seja lançado para um problema de detecção de padrão visual, que é exatamente no que as CNNs são boas”.
Posteriormente, os pesquisadores tiveram que desenvolver métodos que considerassem o enorme desequilíbrio de classe dos metamateriais. Em outras palavras, como atualmente existem muitos metamateriais conhecidos pertencentes à classe I, mas muito menos pertencentes à classe C (a classe que os pesquisadores estão interessados), treinar CNNs para inferir regras combinatórias para essas diferentes classes pode envolver diferentes etapas.
Para enfrentar esse desafio, van Mastrigt e seus colegas desenvolveram duas técnicas diferentes baseadas na CNN. Estas duas técnicas são aplicáveis a diferentes classes de metamateriais e problemas de classificação.
“No caso do metamaterial M2, tentamos criar um conjunto de treinamento com balanceamento de classe”, disse van Mastrigt. “Fizemos isso usando subamostragem ingênua (ou seja, jogando muitos exemplos de classe I fora) e combinando isso com simetrias que sabemos que alguns designs têm, como simetria translacional e rotacional, para criar designs de classe C adicionais.
“Esta abordagem requer, portanto, algum conhecimento de domínio. Para o metamaterial M1, por outro lado, adicionamos um termo de reponderação à função de perda, de modo que os designs raros de classe C pesam mais durante o treinamento, onde a ideia principal é que essa reponderação da classe C cancela com o número muito maior de designs de classe I no conjunto de treinamento. Essa abordagem não requer conhecimento de domínio.”
Nos testes iniciais, ambos os métodos baseados em CNN para derivar as regras combinatórias por trás do projeto de metamateriais mecânicos alcançaram resultados altamente promissores. A equipe descobriu que cada um deles teve um desempenho melhor em diferentes tarefas, dependendo do conjunto de dados inicial usado e das simetrias de design conhecidas (ou desconhecidas).
“Mostramos o quão extraordinariamente boas essas redes são para resolver problemas combinatórios complexos”, disse van Mastrigt. “Isso foi realmente surpreendente para nós, já que todas as outras ferramentas convencionais (estatísticas) que nós, físicos, geralmente usamos falham para esses tipos de problemas. Mostramos que as redes neurais realmente fazem mais do que apenas interpolar o espaço de design com base nos exemplos que você fornece, como eles parecem ser de alguma forma tendenciosos para encontrar uma estrutura (que vem de regras) neste espaço de design que generaliza extremamente bem.”
As recentes descobertas reunidas por esta equipe de pesquisadores podem ter implicações de longo alcance para o design de metamateriais. Embora as redes que eles treinaram tenham sido aplicadas até agora a algumas estruturas de metamateriais, elas também poderiam ser usadas para criar projetos muito mais complexos, que seriam incrivelmente difíceis de enfrentar usando ferramentas convencionais de simulação de física.
O trabalho de van Mastrigt e seus colegas também destaca o enorme valor das CNNs para lidar com problemas combinatórios, tarefas de otimização que envolvem compor um “objeto ótimo” ou derivar uma “solução ótima” que satisfaça todas as restrições em um conjunto, em instâncias onde existem inúmeras variáveis em jogo. Como os problemas combinatórios são comuns em vários campos científicos, este artigo pode promover o uso de CNNs em outros cenários de pesquisa e desenvolvimento.
Os pesquisadores mostraram que, mesmo que o machine learning seja tipicamente uma abordagem de “caixa preta” (ou seja, nem sempre permite que os pesquisadores visualizem os processos por trás de uma determinada previsão ou resultado), ainda pode ser muito valioso para explorar o espaço de design de metamateriais e potencialmente outros materiais, objetos ou substâncias químicas. Isso, por sua vez, poderia ajudar a raciocinar e entender melhor as regras complexas subjacentes aos projetos eficazes.
“Em nossos próximos estudos, voltaremos nossa atenção para o design inverso”, acrescentou van Mastrigt. “A ferramenta atual já nos ajuda enormemente a reduzir o espaço de design para encontrar designs adequados (classe C), mas não nos encontra o melhor design para a tarefa que temos em mente. Agora estamos considerando métodos de machine learning que nos ajudarão encontrar designs extremamente raros que tenham as propriedades que desejamos, idealmente mesmo quando nenhum exemplo de tais designs é mostrado ao método de machine learning antecipadamente.
“Este é um problema muito difícil, mas após nosso estudo recente, acreditamos que as redes neurais nos permitirão resolvê-lo com sucesso”.
Publicado em 28/11/2022 18h12
Artigo original:
Estudo original: