Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

Il suono e le vibrazioni si propagano attraverso i materiali in modi che sono spesso invisibili all'occhio, eppure dettano il modo in cui un ponte oscilla nel vento o come un edificio resiste a un terremoto. Gli ingegneri si affidano da tempo a uno strumento potente chiamato analisi degli elementi finiti per prevedere questi comportamenti. Questo metodo scompone un materiale in una griglia di minuscoli punti e risolve complesse equazioni fisiche per ciascuno di essi per vedere come le onde si muovono attraverso di esso. Sebbene sia incredibilmente accurato, questo processo è lento e computazionalmente pesante. Quando si progettano i "metamateriali" — strutture artificiali progettate per controllare le onde in modi in cui i materiali naturali non possono farlo — i ricercatori devono spesso eseguire queste simulazioni migliai di volte per trovare la forma perfetta. Il tempo richiesto può trasformare un ciclo di progettazione che dovrebbe durare giorni in uno che ne richiede mesi, bloccando efficacementmente l'innovazione in campi che vanno dalle pareti insonorizzanti alle fondamenta resistenti ai terremoti.

Un team di ricercatori della Duke University e del California Institute of Technology ha sviluppato un nuovo approccio che accelera questo processo di un fattore di mille, senza sacrificare l'accuratezza. Hanno addestrato un tipo di intelligenza artificiale, noto come operatore neurale, per agire come un rapido sostituto delle lente e tradizionali simulazioni. A differenza dei normali programmi informatici che imparano a mappare un input specifico su un output specifico, questo nuovo sistema ha imparato a prevedere l'intera famiglia di possibili comportamenti ondulatori per una data forma di materiale. I ricercatori hanno scoperto che, per far sì che ciò funzionasse, dovevano insegnare al computer un nuovo modo di "parlare" riguardo alle onde, utilizzando una tecnica matematica chiamata codifica wavelet. Ciò ha permesso al modello di passare istantaneamente tra diversi schemi di vibrazione, o "modi", su richiesta, risolvendo efficacemente un problema che era precedentemente troppo difficile da gestire per l'apprendimento automatico.

Il nucleo di questo traguardo risiede nel modo in cui i ricercatori hanno insegnato al computer a comprendere la relazione tra la forma di un materiale e le onde che lo attraversano. I metamateriali sono spesso costruiti partendo da unità quadrate ripetitive, e il modo in cui il suono o la vibrazione si muovono attraverso di essi dipende dalla geometria di queste unità. In passato, se un ingegnere voleva sapere come si sarebbe comportata una specifica onda, doveva eseguire una simulazione completa e lenta. Il nuovo modello, invece, apprende così profondamente le regole sottostanti della fisica da poter prevedere il risultato quasi istantaneamente. La sfida era che, per ogni singola forma, non esiste un solo modo in cui un'onda possa vibrare; esistono molti schemi validi, ognuno con la propria frequenza. I modelli di apprendimento automatico standard faticano con questo perché sono solitamente progettati per trovare una singola risposta unica per una data domanda. I ricercatori hanno risolto il problema condizionando il modello con specifiche "chiavi" che indicano quale schema di vibrazione prevedere.

Per far funzionare queste chiavi, il team ha sperimentato diversi modi di fornire informazioni al computer. Hanno provato griglie semplici e uniformi di numeri e schemi basati su onde lisce, ma questi metodi non sono riusciti a dare al modello abbastanza dettagli per distinguere tra i diversi schemi di vibrazione. La svolta è arrivata quando hanno utilizzato le codifiche wavelet. Pensate a un wavelet come a una piccola increspatura localizzata che trasporta informazioni sia sulla posizione di un'onda sia sulla velocità con cui oscilla. Traducendo la direzione dell'onda e il suo specifico schema di vibrazione in queste mappe ricche e dettagliate, i ricercatori hanno fornito alla rete neurale un segnale chiaro. Ciò ha permesso al modello di apprendere che, per la stessa forma di materiale, cambiare la "chiave" avrebbe prodotto un pattern di vibrazione completamente diverso, ma ugualmente valido. Il sistema ha imparato a passare tra questi modi in modo deterministico, il che significa che poteva essere interrogato per mostrare il primo schema di vibrazione, poi il secondo, e così via, con perfetta coerenza.

I ricercatori hanno testato questo sistema su due tipi di materiali molto diversi. Il primo tipo era "continuo", dove le proprietà del materiale cambiano gradualmente da un punto all'altro, come un gradiente. Il secondo tipo era "binario", composto da confini netti e distinti tra due materiali, come un mosaico di acciaio e gomma. I risultati sono stati sorprendenti. Il modello si è comportato eccezionalmente bene sui materiali continui e lisci, prevedendo gli schemi ondulatori con errori così piccoli da essere quasi impercettibili. Sui materiali binari con bordi netti, l'accuratezza era leggermente inferiore, ma comunque molto alta. I ricercatori hanno scoperto che più complesso era il confine tra i materiali, più difficile diventava il problema per il modello, un limite inerente al modo in cui il computer elabora le informazioni spettrali. Tuttavia, anche in questi casi difficili, il modello ha mantenuto un alto livello di fedeltà, catturando la struttura essenziale delle onde.

Forse il risultato più significativo è stata la velocità pura del nuovo metodo. Mentre una simulazione computerizzata tradizionale impiega circa un secondo per risolvere un singolo schema di vibrazione su un processore standard, l'operatore neurale addestrato completa lo stesso compito in circa un millisecondo. Ciò rappresenta un'accelerazione di tre ordini di grandezza. Per un processo di progettazione che richiede l'esecuzione di migliaia di simulazioni per ottimizzare una forma, questa differenza è trasformativa. Trasforma un compito che richiederebbe ore o giorni in uno che può essere completato in minuti. Il modello è anche leggero, richiede solo circa due gigabyte di memoria, il che significa che può girare su comuni computer consumer piuttosto che richiedere enormi supercomputer.

Lo studio ha anche fornito una comprensione più profonda del perché questo approccio funzioni. I ricercatori hanno dimostrato che il successo del modello dipende fortemente da come i dati di input vengono codificati. Se l'informazione è troppo semplice, il modello non riesce ad apprendere le complesse relazioni tra la forma e l'onda. Se l'informazione è troppo scarsa, il modello produce risultati sfocati o granulosi. La codifica wavelet ha trovato l'equilibrio perfetto, fornendo abbastanza dettagli sia nel dominio spaziale che in quello della frequenza per consentire al modello di apprendere la fisica con precisiono. Questa intuizione suggerisce che per altri problemi complessi che coinvolgono onde o vibrazioni, il modo in cui i dati vengono presentati al computer è importante quanto l'architettura stessa del computer.

In definitiva, questo lavoro dimostra che l'apprendimento automatico può fare molto di più che approssimare semplici relazioni; può imparare a risolvere problemi fisici complessi a molteplici soluzioni. Combinando un potente operatore neurale con una strategia di codifica intelligente, i ricercatori hanno creato uno strumento in grado di accelerare la progettazione di metamateriali. Ciò apre la strada a test rapidi di nuove idee per il controllo del suono e delle vibrazioni, portando potenzialmente a una migliore isolazione acustica, a una protezione sismica più efficace e a dispositivi acustici avanzati. Il metodo non sostituisce la necessità di una profonda comprensione fisica, ma rimuove il collo di bottiglia computazionale che ha a lungo rallentato l'esplorazione di nuovi design di materiali. Come hanno osservato i ricercatori, questo approccio fornisce una via per accelerare enormamente la simulazione e la progettazione di metamateriali acustici, trasformando ciò che un tempo era un processo lento e iterativo in uno veloce e dinamico.