Bayesian Optimization of Genetic Algorithm Hyperparameters in a Multi-Fidelity Framework for Efficient Lattice Material Design

Resumen Técnico: Optimización Bayesiana de los Hiperparámetros de un Algoritmo Genético en un Marco de Multi-Fidelidad para el Diseño Eficiente de Materiales de Celosía

Planteamiento del Problema
Los materiales de celosía (lattice), compuestos por celdas de puntales periódicas o aperiódicas, son fundamentales para aplicaciones de ingeniería de bajo peso que van desde dispositivos biomédicos hasta la industria aeroespacial. Si bien la fabricación aditiva ha facilitado su producción, el diseño computacional de estas estructuras enfrenta dos desafíos principales: la complejidad combinatoria de los espacios de diseño heterogéneos y el alto costo computacional de la evaluación precisa de propiedades (por ejemplo, mediante homogeneización o métodos de elementos finitos). Además, la eficiencia de los algoritmos evolutivos, como los Algoritmos Genéticos (GA), utilizados para navegar estos espacios, depende fuertemente de la elección de los hiperparámetros (por ejemplo, tamaño de la población, tasas de mutación). Sintonizar estos hiperparámetros es, en sí mismo, un problema de optimización de caja negra computacionalmente costoso, ya que cada configuración requiere ejecuciones de optimización repetidas y con un uso intensivo de recursos.

Metodología
Los autores proponen un marco de tres niveles de multi-fidelidad diseñado para automatizar la sintonización de los hiperparámetros del GA para maximizar el módulo elástico específico de las estructuras de celosía. El marco integra tres niveles de fidelidad distintos:

1. Nivel de Alta Fidelidad: La homogeneización mediante Transformada Rápida de Fourier (FFT) (usando el código FFTMAD) proporciona evaluaciones de propiedades mecánicas precisas. Este nivel es computacionalmente costoso y se reserva para la validación final y la generación inicial de datos de entrenamiento.
2. Nivel de Fidelidad Media: Un modelo sustituto de Red Neuronal Convolucional 3D (3DCNN), basado en una arquitectura DenseNet, predice el módulo elástico específico de las estructuras de celosía. Este modelo acelera la búsqueda del GA al reemplazar la mayoría de las evaluaciones de FFT durante el proceso de optimización.
3. Nivel de Baja Fidelidad: La Optimización Bayesiana (BO) emplea un modelo sustituto de Proceso Gaussiano (GP) para guiar la búsqueda de los hiperparámetros óptimos del GA. El GP modela la relación entre las configuraciones de hiperparámetros y el rendimiento resultante, tratando las ejecuciones de optimización del GA como observaciones con ruido.

El flujo de trabajo opera jerárquicamente: la BO propone configuraciones de hiperparámetros, las cuales son evaluadas utilizando el GA asistido por el sustituto 3DCNN. Los resultados actualizan el modelo GP, que refina iterativamente la búsqueda. El proceso concluye con la validación de alta fidelidad mediante FFT de las mejores configuraciones.

Los componentes metodológicos clave incluyen:

• Algoritmo Genético: Las celosías se representan como matrices de $4 \times 4 \times 4$ tipos de celdas unitarias. El GA utiliza selección, cruce (segmentación y concatenación a lo largo de tres direcciones principales) y mutación.
• Funciones de Adquisición: Se evaluaron cuatro funciones de adquisición para equilibrar la exploración y la explotación en el entorno ruidoso del GA: Límite de Confianza Superior (UCB), Mejora Esperada (EI), Mejora Esperada con Ruido (NEI) y su variante logarítmica (logNEI).
• Objetivo Penalizado: Se introdujo una función objetivo modificada para equilibrar el rendimiento mecánico frente al número de estructuras parentales requeridas por generación ($n_{par}$), abordando las restricciones prácticas de la fabricación experimental. El objetivo penalizado se define como $F_{pen}(x) = F(x) / (1 + \alpha \times \tilde{n}_{par})$.

Contribuciones Clave

1. Desarrollo del Marco: El estudio establece un marco de multi-fidelidad de tres niveles que combina la homogeneización FFT, un sustituto CNN y la BO basada en GP para la sintonización automatizada de los hiperparámetros del GA.
2. Evaluación de Funciones de Adquisición: El trabajo evalúa sistemáticamente las funciones de adquisición en el contexto de la optimización ruidosa del GA, identificando a logNEI como la estrategia más efectiva para manejar el ruido de evaluación.
3. Análisis de Compromiso: La introducción de una formulación de objetivo penalizado demuestra un método práctico para equilibrar el rendimiento mecánico con el número de estructuras requeridas para la evaluación, un factor crítico para la implementación experimental.

Resultados

• Eficiencia de Hiperparámetros: El marco de BO, específicamente utilizando la función de adquisición logNEI, identificó configuraciones de hiperparámetros que permitieron que una ejecución de GA de solo 25 generaciones alcanzara un módulo elástico específico de 7.158 GPa. Este rendimiento es comparable a los 7.119 GPa alcanzados por una optimización completa de 75 generaciones en trabajos previos, reduciendo efectivamente las generaciones necesarias en dos tercios.
• Desempeño de la Adquisición: logNEI superó a UCB, NEI y qNEI. UCB no logró mejorar sobre el muestreo inicial de Sobol, mientras que logNEI exploró eficazmente el espacio de búsqueda para encontrar el óptimo global.
• Reducción del Costo Computacional: El enfoque optimizado redujo el costo computacional total en aproximadamente un 24% (de 225 horas a 171 horas) preservando el rendimiento mecánico.
• Resultados del Objetivo Penalizado: La introducción de una penalización en el número de padres ($n_{par}$) permitió una reducción de casi el doble en la población de padres requerida (por ejemplo, de 165 a 60) con solo una disminución menor en el módulo elástico específico absoluto (por ejemplo, de 7.158 GPa a 6.982 GPa).
• Eliminación de la Mutación: Las configuraciones optimizadas a menudo eliminaron la necesidad de mutación ($f_{mut} \approx 0$), lo que sugiere que el cruce entre padres de alto rendimiento fue suficiente para este espacio de diseño específico. Esto condujo a una convergencia más rápida y redujo los costos de fabricación experimental.

Significancia y Reivindicaciones
El artículo afirma que la optimización de multi-fidelidad ofrece un enfoque práctico y eficiente para la sintonización de los hiperparámetros del GA en el diseño de materiales de celosía. Al aprovechar los modelos sustitutos, el marco reduce significativamente la carga computacional sin sacrificar la calidad del diseño final. El estudio destaca que optimizar únicamente para la máxima rigidez puede conducir a flujos de trabajo experimentales ineficientes que requieren una fabricación excesiva; el objetivo penalizado propuesto proporciona un mecanismo para navegar el compromiso entre el rendimiento y las restricciones de recursos.

Los autores sostienen que sus resultados demuestran el potencial de este marco para futuros estudios de diseño de celosías experimentales, particularmente donde la impresión 3D y las pruebas mecánicas son costosas. Señalan que, si bien los hiperparámetros optimizados son fiables para los sistemas de celosía y los modelos sustitutos utilizados, evaluar su transferibilidad a problemas de optimización sustancialmente diferentes sigue siendo un tema de investigación futura. El trabajo no pretende haber resuelto el problema general del diseño de celosías, sino que proporciona una metodología robusta para la tarea específica de la sintonización de hiperparámetros dentro de un contexto de multi-fidelidad.