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

Resumo Técnico: Otimização Bayesiana de Hiperparâmetros de Algoritmo Genético em uma Estrutura de Múltiplas Fidelidades para o Design Eficiente de Materiais em Treliça

Definição do Problema
Materiais em treliça (lattice), compostos por células baseadas em hastes periódicas ou aperiódicas, são críticos para aplicações de engenharia de baixo peso, abrangendo desde dispositivos biomédicos até aeroespaciais. Embora a manufatura aditiva tenha facilitado sua produção, o design computacional dessas estruturas enfrenta dois desafios primários: a complexidade combinatória dos espaços de design heterogêneos e o alto custo computacional da avaliação precisa de propriedades (por exemplo, via homogeneização ou métodos de elementos finitos). Além disso, a eficiência dos algoritmos evolutivos, como os Algoritmos Genéticos (GA), usados para navegar nesses espaços, depende fortemente das escolhas de hiperparâmetros (ex: tamanho da população, taxas de mutação). Ajustar esses hiperparâmetros é, por si só, um problema de otimização de caixa-preta computacionalmente caro, pois cada configuração requer execuções de otimização repetitivas e intensivas em recursos.

Metodologia
Os autores propõem uma estrutura de múltiplas fidelidades de três níveis projetada para automatizar o ajuste de hiperparâmetros de GA para maximizar o módulo elástico específico de estruturas em treliça. A estrutura integra três níveis distintos de fidelidade:

1. Nível de Alta Fidelidade: A homogeneização por Transformada Rápida de Fourier (FFT) (usando o código FFTMAD) fornece avaliações precisas das propriedades mecânicas. Este nível é computacionalmente caro e é reservado para validação final e geração de dados de treinamento inicial.
2. Nível de Média Fidelidade: Um modelo substituto (surrogate) de Rede Neural Convolucional 3D (3DCNN), baseado em uma arquitetidade DenseNet, prevê o módulo elástico específico de estruturas em treliça. Este modelo acelera a busca do GA ao substituir a maioria das avaliações de FFT durante o processo de otimização.
3. Nível de Baixa Fidelidade: A Otimização Bayesiana (BO) emprega um modelo substituto de Processo Gaussiano (GP) para guiar a busca pelos hiperparâmetros ideais do GA. O GP modela a relação entre as configurações de hiperparâmetros e o desempenho resultante, tratando as execuções de otimização do GA como observações ruidosas.

O fluxo de trabalho opera hierarquicamente: a BO propõe configurações de hiperparâmetros, que são avaliadas usando o GA auxiliado pelo modelo substituto 3DCNN. Os resultados atualizam o modelo GP, que refina iterativamente a busca. O processo conclui com a validação de alta fidelidade por FFT das melhores configurações.

Componentes metodológicos principais incluem:

• Algoritmo Genético: As treliças são representadas como matrizes de $4 \times 4 \times 4$ tipos de células unitárias. O GA utiliza seleção, crossover (fatiamento e concatenação ao longo de três direções principais) e mutação.
• Funções de Aquisição: Quatro funções de aquisição foram avaliadas para equilibrar exploração e explotação no ambiente ruidoso do GA: Upper Confidence Bound (UCB), Expected Improvement (EI), Noisy Expected Improvement (NEI) e sua variante logarítmica (logNEI).
• Objetivo Penalizado: Uma função objetivo modificada foi introduzida para equilibrar o desempenho mecânico contra o número de estruturas pai necessárias por geração ($n_{par}$), abordando as restrições práticas de fabricação experimental. O objetivo penalizado é definido como $F_{pen}(x) = F(x) / (1 + \alpha \times \tilde{n}_{par})$.

Principais Contribuições

1. Desenvolvimento de Estrutura: O estudo estabelece uma estrutura de múltiplas fidelidades de três níveis combinando homogeneização FFT, um substituto CNN e BO baseado em GP para o ajuste automatizado de hiperparâmetros de GA.
2. Avaliação de Funções de Aquisição: O trabalho avalia sistematicamente as funções de aquisição no contexto da otimização ruidosa de GA, identificando o logNEI como a estratégia mais eficaz para lidar com o ruído de avaliação.
3. Análise de Trade-off: A introdução de uma formulação de objetivo penalizado demonstra um método prático para equilibrar o desempenho mecânico com o número de estruturas necessárias para avaliação, um fator crítico para a implementação experimental.

Resultados

• Eficiência de Hiperparâmetros: A estrutura de BO, especificamente usando a função de aquisição logNEI, identificou configurações de hiperparâmetros que permitiram que uma execução de GA de apenas 25 gerações atingisse um módulo elástico específico de 7,158 GPa. Este desempenho é comparável aos 7,119 GPa alcançados por uma otimização completa de 75 gerações em trabalhos anteriores, reduzindo efetivamente as gerações necessárias em dois terços.
• Desempenho de Aquisição: O logNEI superou o UCB, NEI e qNEI. O UCB falhou em melhorar sobre a amostragem inicial de Sobol, enquanto o logNEI explorou efetivamente o espaço de busca para encontrar o ótimo global.
• Redução de Custo Computacional: A abordagem otimizada reduziu o custo computacional total em aproximadamente 24% (de 225 horas para 171 horas) preservando o desempenho mecânico.
• Resultados do Objetivo Penalizado: A introdução de uma penalidade no número de pais ($n_{par}$) permitiu uma redução de quase duas vezes na população de pais necessária (ex: de 165 para 60) com apenas uma pequena diminuição no módulo elástico específico absoluto (ex: de 7,158 GPa para 6,982 GPa).
• Eliminação de Mutação: As configurações otimizadas frequentemente eliminaram a necessidade de mutação ($f_{mut} \approx 0$), sugerindo que o crossover entre pais de alto desempenho foi suficiente para este espaço de design específico. Isso levou a uma convergência mais rápida e reduziu os custos de fabricação experimental.

Significância e Alegações
O artigo afirma que a otimização de múltiplas fidelidades oferece uma abordagem prática e eficiente para o ajuste de hiperparâmetros de GA no design de materiais em treliça. Ao aproveitar modelos substitutos, a estrutura reduz significativamente a sobrecarga computacional sem sacrificar a qualidade do design final. O estudo destaca que otimizar apenas para a rigidez máxima pode levar a fluxos de trabalho experimentais ineficientes que exigem fabricação excessiva; o objetivo penalizado proposto fornece um mecanismo para navegar no trade-off entre desempenho e restrições de recursos.

Os autores asseguram que seus resultados demonstram o potencial desta estrutura para futuros estudos de design de treliça experimental, particularmente onde a impressão 3D e os testes mecânicos são dispendiosos. Eles observam que, embora os hiperparâmetros otimizados sejam confiáveis para os sistemas de treliça e modelos substitutos específicos utilizados, avaliar sua transferibilidade para problemas de otimização substancialmente diferentes permanece um tópico para investigações futuras. O trabalho não reivindica ter resolvido o problema geral do design de treliças, mas sim fornece uma metodologia robusta para a tarefa específica de ajuste de hiperparâmetros dentro de um contexto de múltiplas fidelidades.