Deep Conditional Generation of Hierarchical Architected Materials via Graph Latent Diffusion
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3175862Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Egenskapsmaterialer er for tiden i fokus som en måte å produsere høyytelsesstrukturer med minimal vekt. I tillegg har inkluderingen av hierarkiske egenskaper, inspirert av biologiske strukturer, potensial til å forbedre ytelsen til disse materialene ytterligere. I denne sammenhengen kan tradisjonelle bikakestrukturer, som er mye benyttet i luftfartsindustrien, også dra nytte av introduksjonen av hierarkiske nivåer. Videre kan egenskapene av høyere orden tilpasses individuelt for å oppnå et bredt spekter av unike strukturer, når det gjelder mekaniske karakteristikker. Imidlertid er det klart at designrommet blir for stort til å utforskes med tradisjonelle metoder, og datadrevne tilnærminger blir nødvendige. Målet med dette arbeidet er derfor å utvikle en nyskapende dyplæringsmetodikk for å generere todimensjonale bikakestrukturer med førsteordens hierarki. Kjernen i denne prosedyren er konseptualiseringen av en innovativ generativ modell som utvider Latent Diffusion Model (LDM) til å behandle gitterstrukturer, representert som grafer. Graf-basert latent diffusjon har nylig blitt anvendt til generering av syntetiske eller molekylære grafer, men dette er den første gangen denne prosedyren anvendes i sammenheng med design av egenskapsmaterialer. Spesielt blir disse strukturelle grafene kodet av en variational auto-encoder til et kontinuerlig latent rom, noe som eliminerer behovet for komplekse diskrete diffusjonsalgoritmer. På grunn av de særegne utfordringene ved koding av grafer, benyttes den innovative Permutation Invariant Graph Variational Auto-Encoder (PIGVAE). Følgelig kan nye bikakestrukturer, med førsteordens hierarki, genereres av en Denoising Diffusion Implicit Model, trent på latente grafrepresentasjoner. Spesifikt blir generasjonen kontrollert av classifier-free guidance, som gjør det mulig å kondisjonere framstillingsprosessen på de ønskede mekaniske egenskapene. Dessuten, berikes kondisjoneringsinformasjonen gjennom en kombinasjon av en kontrastivlæringsmodul og en diffusjonsbasert Prior. Resultatene viser at den foreslåtte metoden har interessante generative evner, og modellen klarer å fange opp underliggende mønstre i de originale dataene. Architected materials are at the forefront of research as a way of producing high-performing structures with minimal weight. Moreover, the inclusion of nature-inspired hierarchical features has the potential to further enhance the performances of these materials. In this context, traditional honeycombs, extensively used in the aerospace industry, may benefit from the introduction of hierarchical levels. Additionally, higher-order features can be individually tailored to create a wide range of structures with peculiar mechanical responses. However, the design space becomes too large to be explored through conventional methods, necessitating the adoption of data-driven approaches. Thus, the present work aims to develop a methodology for generating 2D first-order hierarchical honeycombs with user-defined mechanical properties, leveraging the latest advancements in deep learning. The core of this procedure is the conception of an innovative generative model, extending Latent Diffusion Models (LDMs) to process lattice structures represented as graphs. While graph-based Latent Diffusion has been recently applied to the generation of synthetic or molecular graphs, this is the first instance of its application to the design of architected materials. Specifically, the structural graphs are encoded into a continuous latent space via a variational auto-encoder, thereby overcoming the complexity of discrete diffusion algorithms. Given the unique challenges of graph auto-encoding, the innovative Permutation Invariant Graph Variational Auto-Encoder (PIGVAE) is employed. Thereupon, a Denoising Diffusion Implicit Model, trained on latent graph embeddings, generates new 2D first-order hierarchical honeycombs. The generation is controlled through classifier-free guidance, which conditions the sampling process on the desired mechanical properties. Furthermore, the conditioning information is enriched by a combination of a contrastive-learning module and a diffusion-based Prior. The results demonstrate that the proposed methodology exhibits promising generative capabilities, and the model effectively captures underlying patterns in the original data.