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

Sintesi Tecnica: Ottimizzazione Bayesiana degli Iperparametri di Algoritmi Genetici in un Framework Multi-Fedeltà per la Progettazione Efficiente di Materiali Lattice

Problematica
I materiali lattice, composti da celle a base di strut periodiche o aperiodiche, sono fondamentali per applicazioni ingegneristiche leggere che spaziano dai dispositivi biomedici all'aerospazio. Sebbene la produzione additiva ne abbia facilitato la realizzazione, la progettazione computazionale di queste strutture affronta due sfide primarie: la complessità combinatoria degli spazi di progettazione eterogenei e l'elevato costo computazionale della valutazione accurata delle proprietà (ad esempio, tramite omogeneizzazione o metodi a elementi finiti). Inoltre, l'efficienza degli algoritmi evolutivi, come gli Algoritmi Genetici (GA), utilizzati per navigare questi spazi, dipende fortemente dalle scelte degli iperparametri (ad esempio, dimensione della popolazione, tassi di mutazione). La sintonizzazione di questi iperparametri è essa stessa un problema di ottimizzazione black-box computazionalmente costoso, poiché ogni configurazione richiede ripetute esecuzioni di ottimizzazione ad alto consumo di risorse.

Metodologia
Gli autori propongono un framework multi-fedeltà a tre livelli progettato per automatizzare la sintonizzazione degli iperparametri del GA per massimizzare il modulo elastico specifico delle strutture lattice. Il framework integra tre distinti livelli di fedeltà:

1. Livello ad Alta Fedeltà: L'omogeneizzazione tramite Trasformata Rapida di Fourier (FFT) (utilizzando il codice FFTMAD) fornisce valutazioni accurate delle proprietà meccaniche. Questo livello è computazionalmente costoso ed è riservato alla validazione finale e alla generazione iniziale dei dati di addestramento.
2. Livello a Media Fedeltà: Un modello surrogato basato su una Rete Neurale Convoluzionale 3D (3DCNN), basata su un'architettura DenseNet, predice il modulo elastico specifico delle strutture lattice. Questo modello accelera la ricerca GA sostituendo la maggior parte delle valutazioni FFT durante il processo di ottimizzazione.
3. Livolo a Bassa Fedeltà: L'Ottimizzazione Bayesiana (BO) impiega un modello surrogato a Processo Gaussiano (GP) per guidare la ricerca, trattando le esecuzioni del GA come osservazioni rumorose. Il GP modella la relazione tra le configurazioni degli iperparametri e le prestazioni risultanti.

Il flusso di lavoro opera gerarchicamente: la BO propone configurazioni di iperparametri, che vengono valutate tramite il GA assistito dal modello surrogato 3DCNN. I risultati aggiornano il modello GP, che affina iterativamente la ricerca. Il processo si conclude con la validazione ad alta fedeltà tramite FFT delle migliori configurazioni.

Componenti metodologici chiave includono:

• Algoritmo Genetico: I lattice sono rappresentati come matrici $4 \times 4 \times 4$ di tipi di celle unitarie. Il GA utilizza selezione, crossover (taglio e concatenazione lungo tre direzioni principali) e mutazione.
• Funzioni di Acquisizione: Sono state valutate quattro funzioni di acquisizione per bilanciare esplorazione ed esploitazione nell'ambiente rumoroso del GA: Upper Confidence Bound (UCB), Expected Improvement (EI), Noisy Expected Improvement (NEI) e la sua variante logaritmica (logNEI).
• Obiettivo Penalizzato: È stata introdotta una funzione obiettivo modificata per bilanciare le prestazioni meccaniche rispetto al numero di strutture madri richieste per generazione ($n_{par}$), affrontando i vincoli pratici della fabbricazione sperimentale. L'obiettivo penalizzato è definito come $F_{pen}(x) = F(x) / (1 + \alpha \times \tilde{n}_{par})$.

Contributi Chiave

1. Sviluppo del Framework: Lo studio stabilisce un framework multi-fedeltà a tre livelli che combina l'omogeneizzazione FFT, un modello surrogato CNN e la BO basata su GP per la sintonizzazione automatizzata degli iperparametri del GA.
2. Valutazione delle Funzioni di Acquisizione: Il lavoro valuta sistematicamente le funzioni di acquisizione nel contesto dell'ottimizzazione rumorosa del GA, identificando logNEI come la strategia più efficace per gestire il rumore di valutazione.
3. Analisi dei Trade-off: L'introduzione di una formulazione di obiettivo penalizzato dimostra un metodo pratico per bilanciare le prestazioni meccaniche con il numero di strutture necessarie per la valutazione, un fattore critico per l'implementazione sperimentale.

Risultati

• Efficienza degli Iperparametri: Il framework BO, specificamente utilizzando la funzione di acquisizione logNEI, ha identificato configurazioni di iperparametri che hanno permesso a un'esecuzione GA di sole 25 generazioni di raggiungere un modulo elastico specifico di 7,158 GPa. Questa prestazione è paragonabile ai 7,119 GPa ottenuti da un'ottimizzazione completa di 75 generazioni in un lavoro precedente, riducendo efficacementamente le generazioni richieste di due terzi.
• Performance delle Acquisizioni: logNEI ha superato UCB, NEI e qNEI. UCB non è riuscito a migliorare rispetto al campionamento iniziale di Sobol, mentre logNEI ha esplorato efficacementamente lo spazio di ricerca per trovare l'ottimo globale.
• Riduzione del Costo Computazionale: L'approccio ottimizzato ha ridotto il costo computazionale totale di circa il 24% (da 225 ore a 171 ore) preservando le prestazioni meccaniche.
• Esiti dell'Obiettivo Penalizzato: L'introduzione di una penalità sul numero di genitori ($n_{par}$) ha permesso una riduzione quasi duplice della popolazione di genitori richiesta (ad esempio, da 165 a 60) con solo una minore diminuzione del modulo elastico specifico assoluto (ad esempio, da 7,158 GPa a 6,982 GPa).
• Eliminazione della Mutazione: Le configurazioni ottimizzate hanno spesso eliminato la necessità di mutazione ($f_{mut} \approx 0$), suggerendo che il crossover tra i genitori ad alte prestazioni fosse sufficiente per questo specifico spazio di progettazione. Ciò ha portato a una convergenza più rapida e a una riduzione dei costi di fabbricazione sperimentale.

Significatività e Rivendicazioni
L'articolo afferma che l'ottimizzazione multi-fedeltà offre un approccio pratico ed efficiente per la sintonizzazione degli iperparametri del GA nella progettazione di materiali lattice. Sfruttando i modelli surrogati, il framework riduce significativamente l'overhead computazionale senza sacrificare la qualità del design finale. Lo studio evidenzia che ottimizzare esclusivamente per la massima rigidezza può portare a flussi di lavoro sperimentali inefficienti che richiedono una fabbricazione eccessiva; l'obiettivo penalizzato proposto fornisce un meccanismo per navigare il trade-off tra prestazioni e vincoli di risorse.

Gli autori sostengono che i loro risultati dimostrano il potenziale di questo framework per futuri studi di progettazione di lattice sperimentali, in particolare dove la stampa 3D e i test meccanici sono costosi. Notano che, sebbene gli iperparametri ottimizzati siano affidabili per i sistemi lattice e i modelli surrogati utilizzati, la valutazione della loro trasferibilità a problemi di ottimizzazione sostanzialmente diversi rimane un tema per ricerche future. Il lavoro non pretende di aver risolto il problema generale della progettazione di lattice, ma piuttosto fornisce una metodologia robusta per il compito specifico della sintonizzazione degli iperparametri all'interno di un contesto multi-fedeltà.