Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

Stellen Sie sich vor, Sie sind ein Meisterkoch, der versucht, das perfekte neue Rezept zu erfinden. Sie haben eine Vorratskammer voller Zutaten und möchten diese auf jede erdenkliche Weise mischen, um das Gericht zu finden, das am besten schmeckt. Aber hier ist der Haken: Die Anzahl der möglichen Kombinationen ist so gewaltig, dass Sie, wenn Sie versuchen würden, jedes einzelne Rezept zu kochen und zu probieren, für den Rest Ihres Lebens in der Küche verbringen würden. Genau das ist das Problem, vor dem Wissenschaftler bei der Entwicklung neuer Materialien stehen. Sie haben eine „Vorratskammer“ voller Designentscheidungen, wie etwa die Form einer mikroskopischen Struktur, und sie wollen diejenote finden, die am stärksten oder leichtesten ist. Um dabei zu helfen, nutzen sie Computer und intelligente Algorithmen (genannt maschinelles Lernen), um vorherzusagen, welche Rezepte funktionieren würden, ohne sie zuerst tatsächlich kochen zu müssen. Diese smarten Computer müssen jedoch ein wenig von jeder Art von Rezept „probieren“, um gut lernen zu können. In der realen Welt probieren Wissenschaftler oft nur die Rezepte, die am einfachsten oder günstigsten herzustellen sind, wodurch riesige Lücken in ihrem Wissen entstehen. Diese Arbeit untersucht einen cleveren neuen Weg, um diese Lücken zu füllen, damit wir die besten Materialdesigns schneller finden können, selbst wenn unsere Daten unordentlich und unvollständig sind.

Die Forscher hinter dieser Studie, Shaan Pakala und sein Team, haben sich der Herausforderung gewidmet, „Gitterstrukturen“ (lattice structures) zu entwerfen. Stellen Sie sich diese nicht als massive Metallblöcke vor, sondern wie komplizierte, 3D-Waben oder Gerüste aus winzigen Streben. Diese Strukturen sind großartig, weil sie unglaublich stark sein können, während sie gleichzeitig sehr leicht sind, was perfekt für Dinge wie Flugzeuge oder medizinische Implantate ist. Das Team wollte die optimale Version dieser Gitter finden – diejenige, die die beste mechanische Leistung (wie sie mit Kräften umgeht) im Verhältnis zu ihrem Gewicht bietet.

Normalerweise verwenden Wissenschaftler Werkzeuge des maschinellen Lernens, um vorherzusagen, wie sich ein neues Design verhalten wird. Die Arbeit erklärt, dass diese Werkzeuge hervorragend funktionieren, wenn die Trainingsdaten (die Beispiele, von denen der Computer lernt) gleichmäßig verteilt sind, so als würde man Zucker zufällig über einen ganzen Kuchen streuen. In der Realität nehmen Wissenschaftler jedoch oft ungleichmäßig Proben. Vielleicht testen sie nur Designs, die in ihrem Labor leicht zu bauen sind, oder Designs, die kostengünstig herzustellen sind. Dies erzeugt „verzerrte“ (biased) Daten, bei denen der Computer bestimmte Teile des Designraums klar sieht, aber für andere blind ist. Die Autoren stellten fest, dass Standardmethoden des maschinellen Lernens, wie Gauß-Prozesse und XGBoost, Schwierigkeiten haben, wenn die Daten verzerrt sind; sie neigen dazu, verwirrt zu werden oder sich zu sehr an die spezifischen Designs anzupassen, die sie gesehen haben (Overfitting), und scheitern daran, die Leistung der ungesehenen Designs vorherzusagen.

Um dies zu lösen, schlug das Team einen anderen Ansatz vor: das Designproblem wie ein riesiges, mehrdimensionales Puzzle zu behandeln, das „Tensor Completion“ genannt wird. Stellen Sie sich einen Zauberwürfel vor, aber anstatt nur Farben enthält jeder kleine Würfel eine Zahl, die die Festigkeit eines Materials repräsentiert. Wenn Sie nur die Zahlen auf den Außenflächen kennen (weil dies die Designs sind, die Sie getestet haben), ist Tensor Completion ein mathematischer Zaubertrick, der die Zahlen im Inneren des Würfels erschließen kann. Die Forscher haben ihre Materialdesigns in diese mehrdimensionalen Puzzles verwandelt, wobei jede Seite des Puzzles eine andere Designvariable darstellte. Sie nutzten dann Algorithmen, um die fehlenden Teile basierend auf den Mustern, die sie in den bekannten Teilen fanden, zu ergänzen.

Das Team testete diese Methode, indem es ein Szenario simulierte, in dem ein Experimentator nur Designs in einer bestimmten, praktablen Region des Suchraums testete, wodurch der Rest unentdeckt blieb. Sie verglichen diesen „Tensor Completion“-Ansatz mit den standardmäßigen Werkzeugen des maschinellen Lernens. Die Ergebnisse zeigten, dass die Standardwerkzeuge zwar ganz gut funktionierten, wenn die Daten gleichmäßig verteilt waren, die Tensor-Completion-Methode jedoch wesentlich besser mit den verzerrten, ungleichmäßigen Daten umgehen konnte. Tatsächlich verbesserte die Tensor-Methode bei verzerrten Daten die Genauigkeit (gemessen an einem R²-Wert) um etwa 5 % im Vergleich zur besten traditionellen Methode. Sie war zudem in der Lage, die Leistung der ungesehenen Designs vorherzusagen, ohne durch die ungleichmäßige Stichprobenentnahme verwirrt zu werden.

Die Arbeit legt nahe, dass dieser Ansatz ein leistungsstarkes neues Werkzeug für Materialwissenschaftler ist. Es wird nicht behauptet, dass es das gesamte Problem des Materialdesigns gelöst hat, aber es zeigt, dass wir bessere Vorhersagen über neue Materialien treffen können, wenn wir das Problem eher als ein zu vervollständigendes Puzzle denn als eine bloße Liste von Datenpunkten zum Auswendiglernen betrachten. Dies ist besonders hilfreich, wenn wir nicht jede einzelne Möglichkeit testen können. Die Autoren kommen zu dem Schluss, dass Tensor Completion ein vielversprechendes „Surrogatmodell“ (Ersatzmodell) sein könnte – ein intelligenter Stellvertreter für teure physikalische Experimente –, um die Suche nach den perfekten Gitterstrukturen zu beschleunigen, selbst wenn die Anzahl der möglichen Designs exponentiell wächst. Sie haben ihren Code sogar öffentlich zugänglich gemacht, damit andere ihn ausprobieren und sehen können, ob er auch für ihre eigenen Material-Puzzles funktioniert.