格構結構是自然和人工制造的設計，在許多科學領域都很重要，如材料科學、航空航天工程和生物醫學工程。它們是通過重復的圖案連接較小的特拉斯結構制成的，并產生高的強度與重量比。
增材制造中 3D 打印的興起凸顯了晶格的重要性，使其能夠創建具有復雜幾何形狀和空間調諧材料特性的定制設計。格紋設計可根據具體需求進行定制。例如，它們可以被制成更堅固的以承載更多的重量，或者被設計成具有增強的熱導率。定制晶格結構的能力使它們在許多不同的領域都很有用，特別是在理論和實際應用相結合的學科中。
研究人員來自 Carbon3D，他們正在利用人工智能創建高效、經濟高效的模擬，以生成復雜的 3D 打印結構，特別關注復雜的晶格設計。為此，他們正在使用 NVIDIA 模數 將圖神經網絡訓練為模擬晶格結構動力學的人工智能代理。
這項技術解決了增材制造中的一個關鍵挑戰：模擬復雜零件行為所需的高成本和高時間。傳統上，由于模擬工具的限制，設計吸收能量的產品，如鞋底、頭盔襯墊和自行車座墊，需要昂貴的原型設計和物理測試。
Carbon3D 的方法使用了替代模型，這些模型是實際結構的簡化數字表示。研究人員使用 NVIDIA 模數作為他們的訓練框架，并使用優化的網絡架構，這提供了增強的內存效率和計算性能。這使得能夠進行高保真度分析，同時顯著減少計算需求。
這一突破有可能徹底改變復雜結構 3D 打印的設計和采用。它為更快的開發周期和更具創新性的產品設計打開了大門。
LatticeGraphNet 簡介：一種用于格結構的圖網絡
了解晶格結構的力學特性通常需要昂貴且耗時的物理實驗和高保真度的數值模擬。
這些模擬，特別是 增量潛在接觸（IPC） 方法，能夠準確地描述彈性晶格結構對壓縮的反應。然而，這種模擬具有很高的復雜度和運行時間長的缺陷，從而突出了對更快模擬方法的需求。
物理知情機器學習（Physics ML）技術，特別是物理知情神經網絡（PINN）和圖神經網絡（GNN），在增強基于數值方法的模擬方面取得了重大進展。這些方法對于學習基于網格的模擬的動力學特別有效，并已被提出用于幫助超材料組件的表征。
LatticeGraphNet（LGN） 是一種開創性的圖神經算子（GNO），它利用 網格圖網（MGN） 架構，旨在作為 3D 網格超材料的高保真度非線性新胡克 IPC 模擬的替代模型。
LGN 使用多尺度架構，使用兩種基于 MGN 的架構（LGN-i 和 LGN-ii）來預測不同精度水平的動力學。這顯著減少了運行推理的時間，并為看不見的模擬保持了高精度。
LGN 管道從由四面體網格表示的初始 3D 晶格開始，該晶格被轉換為簡化（骨架）表示。LGN-i 對簡化網格進行推理以獲得粗略位移，LGN-ii 映射這些位移以預測四面體網格上的精細體積位移。
LGN 的理論基礎植根于格的動力學。它考慮了在大變形下使用超彈性新胡克模型描述的彈性體材料。基于新胡克彈性動力學公式，使用 IPC 方法生成晶格變形的訓練數據。
LGN-i 作為 LGN 管道的一部分，包含三個主要部分：
- 編碼器：將節點和邊緣特征編碼為高維向量，以便進行后續處理。
- 處理器通過消息傳遞塊處理高維向量。
- 解碼器：計算最終的位移和應力不變形增量。
LGN-ii 在每個骨架節點及其相關四面體節點的位置上迭代，以預測體積四面體節點的變形。該網絡還包括編碼器、處理器和解碼器，每一個都經過定制以處理晶格結構的不同方面。
除了預測變形，LGN 還使用均勻化方法來近似反作用力，這是理解晶格力學的一個重要方面。
研究團隊使用 NVIDIA 模數來探索和實驗這些架構創新，使用模數的 MeshGraphNet 實現作為主干。
該團隊還以模量渦流脫落配方為基礎開發了他們的模型訓練代碼，并對其進行了定制以適應他們的特定用例。
訓練數據集包括 108 個高保真度模擬，來自 Carbon 的 MetaMaterial 庫。在訓練階段，我們進一步增強了訓練數據集，以確保模型的穩健性和準確性。LGN 在一組八個額外的模擬上進行了測試，這些模擬涵蓋了各種晶格形狀和厚度。
晶格模擬的里程碑
LGN 的結果證明了其準確預測彈性晶格變形的能力，包括屈曲等具有挑戰性的方面。雖然 LGN 只訓練到 25%的應變，并且在反作用力預測中注意到一些不準確之處，但 LGN 的總體性能標志著該領域的重大進步。
LatticeGraphNet 是模擬晶格結構的一個重要里程碑，為快速準確的預測提供了強大的工具。它的發展證明了機器學習在制造業中的創新應用。
這種集成展示了人工智能代理模擬工程結構動力學的潛力，并為設計和分析復雜結構開辟了新的途徑。
使用 NVIDIA 模數進行物理模擬和制造
NVIDIA 模數 是一個基于 開源項目，遵循 Apache 2.0 許可證，旨在支持不斷增長的物理學 ML 社區。如果您是一名從事物理知情機器學習領域的人工智能研究人員，請訪問 NVIDIA/PhysicsNeMo GitHub 倉庫，了解 NVIDIA PhysicsNeMo 如何幫助您的項目。
NVIDIA PhysicsNeMo 是您研究工作的多功能工具包。它使您能夠使用一系列 GPU 優化的網絡架構，就像 Carbon3D 研究人員使用 NVIDIA PhysicsNeMo 的 MeshGraphNet 模型進行增材制造研究一樣。
NVIDIA PhysicsNeMo 還提供了一系列廣泛的數據管道、指標和實用程序，以及支持數據和模型并行性的分布式管理器。您可以使用各個領域的參考應用程序和相應的培訓配方，為您的研究提供一個很好的起點。根據您的需求量身定制。
如果您想為項目貢獻您的工作，請按照 貢獻準則 參與項目，并與 NVIDIA PhysicsNeMo 團隊在 GitHub 上的 NVIDIA/physicsnemo 討論區 進行交流。
結論
NVIDIA 正在慶祝開發人員在用例中的貢獻，展示如何使用 NVIDIA PhysicsNeMo 框架構建和訓練物理 ML 模型。同樣重要的是，努力在 PhysicsNeMo 開源項目中系統地為社區和生態系統組織此類創新工作，以解決其工程和科學代理建模問題。
欲了解模量在各個行業中的應用，請訪問 NVIDIA 模數資源中心。欲了解 Carbon 晶格設計的更多信息，請訪問 Carbon3D 官方網站。
?
