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

Résumé Technique : Optimisation Bayésienne des Hyperparamètres d'un Algorithme Génétique dans un Cadre Multi-Fidélité pour la Conception Efficace de Matériaux en Treillis

Énoncé du Problème
Les matériaux en treillis (lattices), composés de cellules à base de structures de type membrures périodiques ou aperiodiques, sont essentiels pour les applications d'ingénierie légère allant des dispositifs biomédicaux à l'aérospatiale. Bien que la fabrication additive ait facilité leur production, la conception computationnelle de ces structures est confrontée à deux défis majeurs : la complexité combinatoire des espaces de conception hétérogènes et le coût computationnel élevé de l'évaluation précise des propriétés (par exemple, via l'homogénéisation ou les méthodes d'éléments finis). De plus, l'efficacité des algorithmes évolutionnaires, tels que les algorithmes génétiques (AG), utilisés pour naviguer dans ces espaces, dépend fortement du choix des hyperparamètres (par exemple, la taille de la population, les taux de mutation). Le réglage de ces hyperparamètres est en soi un problème d'optimisation de boîte noire coûteux en ressources, car chaque configuration nécessite des cycles d'optimisation répétés et gourmands en calculs.

Méthodologie
Les auteurs proposent un cadre multi-fidélité à trois niveaux conçu pour automatiser le réglage des hyperparamètres d'un AG afin de maximiser le module d'élasticité spécifique des structures en treillis. Le cadre intègre trois niveaux de fidélité distincts :

1. Niveau de Haute Fidélité : L'homogénéisation par transformée de Fourier rapide (FFT) (utilisant le code FFTMAD) fournit des évaluations précises des propriétés mécaniques. Ce niveau est coûteux en termes de calcul et est réservé à la validation finale et à la génération initiale de données d'entraînement.
2. Niveau de Moyenne Fidélité : Un modèle de substitution basé sur un réseau de neurones convolutifs 3D (3DCNN), fondé sur une architecture DenseNet, prédit le module d'élasticité spécifique des structures en treillis. Ce modèle accélère la recherche par AG en remplaçant la plupart des évaluations par FFT pendant le processus d'optimisation.
3. Niveau de Basse Fidélité : L'optimisation bayésienne (BO) emploie un modèle de substitution par processus gaussien (GP) pour guider la recherche, le GP modélisant la relation entre les configurations d'hyperparamètres et la performance résultante, traitant les cycles d'optimisation de l'AG comme des observations bruitées.

Le flux de travail opère de manière hiérarchique : la BO propose des configurations d'hyperparamètres, qui sont évaluées à l'aide de l'AG assisté par le modèle de substitution 3DCNN. Les résultats mettent à jour le modèle GP, qui affine itérativement la recherche. Le processus se conclut par une validation par FFT de haute fidélité des meilleures configurations.

Les composants méthodologiques clés incluent :

• Algorithme Génétique : Les treillis sont représentés comme des matrices de $4 \times 4 \times 4$ types de cellules unitaires. L'AG utilise la sélection, le croisement (découpage et concaténation le long de trois directions principales) et la mutation.
• Fonctions d'Acquisition : Quatre fonctions d'acquisition ont été évaluées pour équilibrer l'exploration et l'exploitation dans l'environnement bruité de l'AG : Borne de Confiance Supérieure (UCB), Amélioration Attendue (EI), Amélioration Attendue avec Bruit (NEI), et sa variante logarithmique (logNEI).
• Objectif Pénalisé : Une fonction d'objectif modifiée a été introduite pour équilibrer la performance mécanique et le nombre de structures parentes requises par génération ($n_{par}$), répondant ainsi aux contraintes pratiques de fabrication expérimentale. L'objectif pénalisé est défini par $F_{pen}(x) = F(x) / (1 + \alpha \times \tilde{n}_{par})$.

Contributions Clés

1. Développement du Cadre : L'étude établit un cadre multi-fidélité à trois niveaux combinant l'homogénéisation par FFT, un modèle de substitution CNN et la BO basée sur GP pour le réglage automatisé des hyperparamètres de l'AG.
2. Évaluation des Fonctions d'Acquisition : Le travail évalue systématiquement les fonctions d'acquisition dans le contexte d'une optimisation d'AG bruitée, identifiant logNEI comme la stratégie la plus efficace pour gérer le bruit d'évaluation.
3. Analyse des Compromis : L'introduction d'une formulation d'objectif pénalisé démontre une méthode pratique pour équilibrer la performance mécanique et le nombre de structures requises pour l'évaluation, un facteur critique pour la mise en œuvre expérimentale.

Résultats

• Efficacité des Hyperparamètres : Le cadre de BO, spécifiquement utilisant la fonction d'acquisition logNEI, a identifié des configurations d'hyperparamètres permettant à un cycle d'AG de seulement 25 générations d'atteindre un module d'élasticité spécifique de 7,158 GPa. Cette performance est comparable aux 7,119 GPa obtenus par une optimisation complète de 75 générations dans des travaux précédents, réduisant ainsi efficacement le nombre de générations de deux tiers.
• Performance des Fonctions d'Acquisition : logNEI a surpassé UCB, NEI et qNEI. UCB n'a pas réussi à s'améliorer par rapport à l'échantillonnage initial de Sobol, tandis que logNEI a exploré efficacement l'espace de recherche pour trouver l'optimum global.
• Réduction du Coût Computationnel : L'approche optimisée a réduit le coût de calcul total d'environ 24 % (passant de 225 heures à 171 heures) tout en préservant la performance mécanique.
• Résultats de l'Objectif Pénalisé : L'introduction d'une pénalité sur le nombre de parents ($n_{par}$) a permis une réduction de près de deux fois la population parente requise (par exemple, de 165 à 60) avec seulement une diminution mineure du module d'élasticité spécifique absolu (par exemple, de 7,158 GPa à 6,982 GPa).
• Élimination de la Mutation : Les configurations optimisées ont souvent éliminé le besoin de mutation ($f_{mut} \approx 0$), suggérant que le croisement entre les parents performants était suffisant pour cet espace de conception spécifique. Cela a conduit à une convergence plus rapide et à une réduction des coûts de fabrication expérimentale.

Signification et Revendications
L'article affirme que l'optimisation multi-fidélité offre une approche pratique et efficace pour le réglage des hyperparamètres d'un AG dans la conception de matériaux en treillis. En exploitant les modèles de substitution, le cadre réduit considérablement la charge de calcul sans sacrifier la qualité de la conception finale. L'étude souligne qu'optimiser uniquement pour la rigidité maximale peut conduire à des flux de travail expérimentaux inefficaces nécessitant une fabrication excessive ; l'objectif pénalisé proposé fournit un mécanisme pour naviguer dans le compromis entre performance et contraintes de ressources.

Les auteurs affirment que leurs résultats démontrent le potentiel de ce cadre pour de futures études de conception de treillis expérimentaux, particulièrement là où l'impression 3D et les tests mécaniques sont coûteux. Ils notent que bien que les hyperparamètres optimisés soient fiables pour les systèmes de treillis et les modèles de substitution utilisés, l'évaluation de leur transférabilité à des problèmes d'optimisation sensiblement différents reste un sujet d'investigation future. Le travail ne prétend pas avoir résolu le problème général de la conception de treillis, mais propose plutôt une méthodologie robuste pour la tâche spécifique du réglage des hyperparamètres dans un contexte multi-fidélité.