Bayesian-guided inverse design of hyperelastic microstructures: Application to stochastic metamaterials

Título: Design Inverso Guiado por Bayes de Microestruturas Hyperelásticas: Aplicação a Metamateriais Estocásticos

Autores: Hooman Danesh e Henning Wessels (TU Braunschweig, Alemanha)

---

1. O Problema

O objetivo central do trabalho é o design inverso de microestruturas hiperelásticas estocásticas. Dado um conjunto vasto de variantes de design viáveis (uma biblioteca de microestruturas), o desafio é identificar a estrutura específica que produza uma resposta macroscópica de tensão (comportamento mecânico) que corresponda a um alvo prescrito.

As principais dificuldades abordadas são:

• Custo Computacional: A avaliação da resposta de cada candidato requer simulações de homogeneização de alta fidelidade (ou experimentos), que são extremamente custosas em termos de tempo e recursos.
• Complexidade Geométrica: As microestruturas são representadas como imagens (bitmaps) de alta dimensão e não podem ser facilmente parametrizadas por um pequeno conjunto de variáveis contínuas. Isso torna os métodos de otimização baseados em gradiente inaplicáveis.
• Inviabilidade de Força Bruta: Avaliar todas as milhares de candidatas (ex: 50.000) usando o oráculo de alta fidelidade é computacionalmente proibitivo.
• Escassez de Dados: É necessário encontrar o design ótimo com o menor número possível de consultas ao oráculo (avaliações de alta fidelidade).

2. Metodologia Proposta

Os autores propõem um framework de design inverso discreto guiado por Bayes, que combina redução de dimensionalidade, aprendizado ativo e modelos substitutos probabilísticos. O fluxo de trabalho divide-se em três etapas principais:

A. Representação e Modelagem Constitutiva Efetiva

• Redução de Dimensionalidade: Em vez de usar as imagens brutas das microestruturas (milhares de pixels), o método utiliza engenharia de características estatísticas. São extraídos descritores compactos (baseados em funções de correlação de dois pontos e Análise de Componentes Principais - PCA) que capturam a informação estrutural essencial, reduzindo a dimensão de ~9.000 variáveis para apenas 6.
• Modelo Constitutivo Efetivo: Assume-se que a resposta macroscópica pode ser aproximada por um modelo constitutivo hiperelástico efetivo (baseado em energia de deformação). O objetivo do modelo substituto não é prever a tensão diretamente, mas mapear os descritores estruturais para os parâmetros materiais efetivos ($\theta$) desse modelo constitutivo.
• Transformação de Positividade: Para garantir que os parâmetros materiais sejam fisicamente válidos (positivos), aplica-se uma transformação logarítmica sobre variáveis latentes.

B. Modelagem Probabilística e Aprendizado Ativo

• Gaussian Process (GP) Multi-output: Um modelo substituto probabilístico (Gaussian Process) é treinado para mapear os descritores reduzidos para os parâmetros latentes do modelo constitutivo. Um GP multi-output é utilizado para capturar as correlações entre os diferentes parâmetros materiais.
• Aprendizado Ativo Guiado por Incerteza: Para minimizar o número de avaliações de alta fidelidade, utiliza-se o Aprendizado Ativo. O modelo é treinado iterativamente:
  1. Começa com um pequeno conjunto de dados rotulados.
  2. O modelo calcula a incerteza preditiva (variância) para todas as microestruturas não rotuladas.
  3. A próxima microestrutura a ser avaliada pelo oráculo é aquela que maximiza a incerteza (maior ganho de informação).
  4. O processo repete-se até que a precisão do modelo se estabilize.
  • Resultado: O modelo é treinado com menos de 0,5% dos dados totais (apenas ~200 amostras de um conjunto de 50.000).

C. Estratégia de Design Inverso (Screening e Seleção Final)

• Listagem Curta (Shortlisting): O modelo substituto treinado é usado para estimar a resposta de todas as 50.000 candidatas. Calcula-se uma pontuação de perda baseada na diferença entre a resposta prevista e o alvo.
• Pontuação Consciente da Incerteza: Para evitar selecionar candidatos promissores apenas por erro do modelo, a pontuação inclui um termo de penalidade baseado na variância (incerteza epistêmica) do modelo.
• Validação Física Final: Apenas um subconjunto pequeno (lista curta) dos candidatos mais promissores é submetido ao oráculo de alta fidelidade.
• Critério de Parada: As avaliações do oráculo na lista curta são realizadas sequencialmente até que a estrutura atinja um limiar de erro pré-definido (ex: 5% de erro médio normalizado) ou até que o orçamento de avaliações seja esgotado.

3. Contribuições Chave

1. Framework Híbrido Discreto: Diferente de abordagens que otimizam em espaços latentes contínuos (como VAEs), este método opera sobre uma biblioteca pré-definida de designs viáveis, garantindo que a geometria seja sempre fabricável e fisicamente realizável.
2. Eficiência de Dados Extrema: A combinação de engenharia de características, GP multi-output e aprendizado ativo permite treinar um modelo preciso com apenas 0,4% dos dados disponíveis.
3. Generalização para Condições Não Vistas: O modelo foi treinado com carregamentos alinhados aos eixos da microestrutura, mas foi testado com sucesso em condições de carregamento rotacionadas (45°), demonstrando capacidade de generalização para cenários não vistos durante o treinamento.
4. Separação de Papéis: O modelo de ML atua apenas como um guia para explorar o espaço de design, enquanto a física de alta fidelidade (oráculo) toma a decisão final. Isso torna o framework robusto a imperfeições do modelo substituto.

4. Resultados

O método foi testado em um conjunto de dados de 50.000 células unitárias estocásticas de metamateriais hiperelásticos.

• Treinamento: O modelo substituto atingiu convergência com apenas 200 microestruturas rotuladas (0,4% do total).
• Desempenho de Design Inverso:
  • Para 1.000 alvos diferentes (incluindo combinações de componentes de tensão normais e de cisalhamento), o método encontrou soluções dentro do limiar de erro (5%) com um número muito baixo de avaliações do oráculo.
  • Em mais de 92% dos casos, o alvo foi atingido com apenas 20 avaliações do oráculo.
  • Com um orçamento de 50 avaliações, a taxa de sucesso superou 96% para todas as combinações de alvos.
  • Mesmo quando o orçamento era esgotado sem atingir o limiar exato, as soluções retornadas apresentavam erros moderados e estavam próximas do alvo.
• Precisão: Os gráficos de paridade mostraram uma forte correlação ($R^2 > 0,97$) entre as tensões alvo e as tensões alcançadas pelas microestruturas selecionadas, inclusive para componentes de cisalhamento que não foram observados diretamente durante o treinamento.

5. Significado e Conclusão

Este trabalho demonstra que é possível realizar o design inverso de materiais complexos e estocásticos de forma altamente eficiente em termos de dados, contornando a necessidade de grandes conjuntos de dados de treinamento ou otimização contínua complexa.

A metodologia oferece um caminho prático para a descoberta de metamateriais com propriedades mecânicas sob medida, onde o custo computacional é drasticamente reduzido. A abordagem é particularmente valiosa em cenários onde a geometria não pode ser parametrizada facilmente e onde cada simulação de alta fidelidade é extremamente cara. O framework é apresentado como um modelo geral aplicável a diversas áreas da ciência e engenharia que envolvem problemas de design inverso com oráculos custosos.