Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

Geluid en trillingen bewegen zich door materialen op manieren die vaak onzichtbaar zijn voor het oog, maar ze bepalen hoe een brug zwiept in de wind of hoe een gebouw een aardbeving weerstaat. Ingenieurs vertrouwen al lang op een krachtig hulpmiddel genaamd de eindige-elementenmethode om dit gedrag te voorspellen. Deze methode breekt een materiaal af in een rooster van minuscule punten en lost complexe natuurkundige vergelijkingen voor elk punt op om te zien hoe golven erdoorheen bewegen. Hoewel dit proces ongelooflijk nauwkeurig is, is het traag en rekenintensief. Bij het ontwerpen van "metamaterialen"—kunstmatige structuren die zijn ontworpen om golven te beheersen op manieren die natuurlijke materialen niet kunnen—moeten onderzoekers deze simulaties vaak duizenden keren uitvoeren om de perfecte vorm te vinden. De benodigde tijd kan een ontwerpcirkel die dagen zou moeten duren, veranderen in een proces dat maanden in beslag neemt, wat innovatie in velden variërend van geluidsisolerende wanden tot aardbevingbestendige funderingen effectief stillegt.

Een team van onderzoekers van de Duke University en het California Institute of Technology heeft een nieuwe aanpak ontwikkeld die dit proces met een factor duizend versnelt, zonder in te boeten op nauwkeurigheid. Ze hebben een type kunstmatige intelligentie getraind, bekend als een neurale operator, om als een snelle surrogaat te fungeren voor de trage, traditionele simulaties. In tegen tegenstelling tot standaard computerprogramma's die leren om één specifieke input aan één specifieke output te koppelen, leerde dit nieuwe systeem de volledige familie van mogelijke golfgedragingen voor een gegeven materiaalvorm te voorspellen. De onderzoekers ontdekten dat ze de computer, om dit werkend te krijgen, een nieuwe manier van "spreken" over de golven moesten aanleren, met behulp van een wiskundige techniek genaamd wavelet-codering. Dit stelde het model in staat om onmiddellijk te schakelen tussen verschillende trillingspatronen, of "modi", op aanvraag, waardoor een probleem werd opgelost dat voorheen te moeilijk was voor machine learning.

De kern van deze prestatie ligt in de manier waarop de onderzoekers de computer leerden de relatie tussen de vorm van een materiaal en de passerende golven te begrijpen. Metamaterialen worden vaak gebouwd uit herhalende vierkante eenheden, en de manier waarop geluid of trilling door hen beweegt, hangt af van de geometrie van deze eenheden. In het verleden, als een ingenieur wilde weten hoe een specifieke golf zich zou gedragen, moest hij een volledige, trage simulatie draaien. Het nieuwe model leert echter de onderliggende natuurkundige regels zo grondig dat het de uitkomst bijna onmiddellijk kan voorspellen. De uitdaging was dat er voor elke vorm niet slechts één manier is waarop een golf kan trillen; er zijn vele geldige patronen, elk met een eigen frequentie. Standaard machine learning-modellen worstelen hiermee omdat ze meestal zijn ontworig om één uniek antwoord te vinden op een specifieke vraag. De onderzoekers losten dit op door het model te conditioneren met specifieke "sleutels" die het vertellen welk trillingspatroon voorspeld moet worden.

Om deze sleutels te laten werken, experimenteerde het team met verschillende manieren om informatie in de computer te voeden. Ze probeerden eenvoudige, uniforme roosters van getallen en patronen gebaseerd op gladde golven, maar deze methoden slaagden er niet in de computer genoeg detail te geven om onderscheid te maken tussen de verschillende trillingspatronen. De doorbraak kwam toen ze wavelet-coderingen gebruikten. Denk aan een wavelet als een kleine, gelokaliseerde rimpeling die informatie draagt over zowel waar een golf zich bevindt als hoe snel deze oscilleert. Door de richting van de golf en zijn specifieke trillingspatroon te vertalen naar deze rijke, gedetailleerde kaarten, gaven de onderzoekers het neurale netwerk een duidelijk signaal. Hierdoor kon het model leren dat voor hetzelfde materiaalvorm, het veranderen van de "sleutel" zou resulteren in een volledig ander, maar evenzeer geldig, trillingspatroon. Het systeem leerde tussen deze modi te schakelen op een deterministische wijze, wat betekent dat het gevraagd kon worden om het eerste trillingspatroon te tonen, dan het tweede, enzovoort, met perfecte consistentie.

De onderzoekers testten dit systeem op twee zeer verschillende soorten materialen. Het eerste type was "continu", waarbij de materiaaleigenschappen vloeiend veranderen van het ene punt naar het andere, zoals een gradiënt. Het tweede type was "binair", bestaande uit scherpe, duidelijke grenzen tussen twee materialen, zoals een schaakbord van staal en rubber. De resultaten waren opmerkelijk. Het model presteerde uitzonderlijk goed op de gladde, continue materialen, waarbij het de golfpatronen voorspelde met fouten die zo klein waren dat ze nauwelijks merkbaar waren. Op de binaire materialen met scherpe randen was de nauwkeurigheid iets lager, maar nog steeds opmerkelijk hoog. De onderzoekers ontdekten dat hoe complexer de grens tussen de materialen was, hoe moeilijker het probleem werd voor het model, een beperking die inherent is aan de manier waarop de computer spectrale informatie verwerkt. Echter, zelfs in deze moeilijke gevallen behield het model een hoog niveau van getrouwheid en legde het de essentiële structuur van de golven vast.

Misschien wel de meest significante bevinding was de enorme snelheid van de nieuwe methode. Terwijl een traditionele computersimulatie ongeveer één seconde nodig heeft om één golfpatroon op te lossen op een standaardprocessor, voltooit de getrainde neurale operator dezelfde taak in ongeveer één milliseconde. Dit vertegenwoordigt een versnelling van drie ordes van grootte. Voor een ontwerpproces dat vereist om duizenden simulaties uit te voeren om een vorm te optimaliseren, is dit verschil transformatief. Het verandert een taak die uren of dagen zou duren in een taak die in minuten kan worden voltooid. Het model is ook lichtgewicht en vereist slechts ongeveer twee gigabyte aan geheugen, wat betekent dat het kan draaien op gewone consumentencomputers in plaats van massieve supercomputers te vereisen.

De studie bood ook een dieper begrip van waarom deze aanpak werkt. De onderzoekers toonden aan dat het succes van het model sterk afhangt van hoe de inputdata wordt gecodeerd. Als de informatie te eenvoudig is, kan het model de complexe relaties tussen de vorm en de golf niet leren. Als de informatie te schaars is, produceert het model wazige, korrelige resultaten. De wavelet-codering vond de perfecte balans door voldoende detail te bieden in zowel het ruimtelijke als het frequentiedomein, zodat het model de natuurkunde accuraat kon leren. Dit inzicht suggereert dat voor andere complexe problemen met betrekking tot golven of trillingen, de manier waarop data aan de computer wordt gepresenteerd net zo belangrijk is als de architectuur van de computer zelf.

Uiteindelijk demonstreert dit werk dat machine learning meer kan doen dan alleen het benaderen van eenvoudige relaties; het kan leren om complexe problemen met meerdere oplossingen in de natuurkunde op te lossen. Door een krachtige neurale operator te combineren met een slimme coderingsstrategie, hebben de onderzoekers een hulpmiddel gecreëerd dat het ontwerp van metamaterialen kan versnellen. Dit opent de deur naar het snel testen van nieuwe ideeën voor het beheersen van geluid en trillingen, wat potentieel kan leiden tot betere geluidsisolatie, effectievere seismische bescherming en geavanceerde akoestische apparaten. De methode vervangt niet de noodzaak voor diepgaand fysiek begrip, maar neemt de computationele flessenhals weg die de exploratie van nieuwe materiaalontwerpen lang heeft vertraagd. Zoals de onderzoekers opmerkten, biedt deze aanpak een pad om de simulatie en het ontwerp van akoestische metamaterialen aanzienlijk te versnellen, waardoor wat ooit een traag, iteratief proces was, een snel en dynamisch proces wordt.