HyperAI초신경

메타 소재 설계가 혁신을 이루었습니다! Meta AI와 다른 연구진은 토폴로지 생성 및 성능 예측과 같은 작업의 통합 모델링을 최초로 구현한 UNIMATE를 제안했습니다.

特色图像

메타물질은 인공적으로 설계된 파장 이하의 구조로 구성된 물질로, 자연 물질의 본질적인 한계를 돌파하고 음의 굴절률, 슈퍼 렌즈, 스텔스 기술 등 전자기파를 정밀하게 제어할 수 있는 물질입니다. 그 중 기계적 메타물질은 특수한 기계적 성질을 지닌 인공 물질로 항공우주, 생물의학, 에너지 저장 등의 분야에서 큰 응용 잠재력을 보여주었습니다.독특한 점은 이러한 특성이 재료의 화학적 조성에 의해 결정되는 것이 아니라 신중하게 설계된 미세 구조를 통해 달성된다는 것입니다.예를 들어, 음의 포아송 비를 갖는 메타물질은 늘어날 때 측면으로 팽창하는데, 이러한 특성으로 인해 유연한 장치에 사용하기에 적합합니다. 반면 높은 에너지 흡수 특성을 갖는 메타물질은 쿠션 장치에 사용하기에 적합합니다.

재료과학과 인공지능의 교차점에서, 메타물질의 설계와 최적화는 항상 많은 주목을 받아온 연구 방향이었습니다.일반적으로 3D 토폴로지, 밀도 조건, 기계적 특성이라는 세 가지 주요 모달리티가 관련됩니다.이 세 가지 모드 사이에는 밀접한 관계가 있습니다. 두 가지 모드가 알려져 있다면 세 번째 모드를 도출할 수 있습니다. 그러나 연구팀은 기존 문헌을 종합적으로 검토한 결과, 대부분의 기존 연구는 두 가지 모드만 고려한다는 것을 발견했습니다. 예를 들어, 3차원 위상 구조가 주어진 상태에서 기계적 특성을 예측하거나, 필요한 성능을 기반으로 3차원 위상 구조를 생성하는 경우가 그렇습니다.이러한 제한으로 인해 기존의 머신 러닝 모델이 복잡한 실제 적용 시나리오를 처리하는 데 어려움이 있으며, 세 가지 모달리티 간의 완전한 관계를 완벽하게 파악하기 어렵습니다.

이러한 연구 공백을 메우기 위해 버지니아 공대와 메타 AI 연구팀은 메타물질 설계의 세 가지 주요 모드를 동시에 처리할 수 있는 통합 프레임워크를 최초로 구축한 UNIMATE라는 통합 모델을 제안했습니다. 혁신적인 모달 정렬 및 협력적 확산 생성 아키텍처를 통해 위상 생성, 성능 예측, 그리고 상태 확인이라는 세 가지 주요 작업의 협력적 최적화를 달성했습니다. 이 연구는 다중 작업 메타물질 설계의 기술적 공백을 메울 뿐만 아니라, 지능형 소재 발견을 위한 일반적인 방법론을 제공합니다.

"UNIMATE: 기계적 메타물질 생성, 특성 예측 및 조건 확인을 위한 통합 모델"이라는 제목의 연구 결과가 ICML 2025에 선정되었습니다.

연구 하이라이트:

* 교차 작업 일반화: 단일 모델이 세 가지 주요 작업을 동시에 해결할 수 있어 기존 모델의 작업 제한을 극복할 수 있습니다.

* 모달 정렬 효과: TOT 및 코드북 양자화를 통해 이기종 데이터의 분포 차이가 크게 줄어듭니다.

* 공학적 실용성: 효율적인 메모리 관리와 매개변수 민감성으로 실제 재료 설계 시나리오에 적합합니다.

서류 주소:

https://go.hyper.ai/FoAWw

UniMate 기계식 메타물질 벤치마크 데이터 세트:

https://go.hyper.ai/M7VwL

데이터 세트: 다양한 작업을 포괄하는 기계적 메타물질을 위한 최초의 벤치마크 데이터 세트

기존 데이터의 다중 모드 적용 범위 부족 문제를 해결하기 위해 UNIMATE 팀은 Lumpe & Stankovic(2021)의 토폴로지 구조를 기반으로3차원 토폴로지, 밀도 조건, 기계적 특성을 포함하는 최초의 통합 데이터 세트를 구축하고, 17,087개의 원래 토폴로지에서 최대 20개의 노드가 있는 500개의 토폴로지 구조를 선별했습니다.

각 토폴로지에 대해 연구팀은 무작위로 세 개의 다른 모서리 반경을 할당하고 각 토폴로지에 대해 세 개의 다른 밀도 조건을 생성했습니다(모서리 반경을 동등한 모서리 길이 공식과 연결).

연구팀은 각 위상-밀도 쌍에 대해 3D 구조를 작은 입방 폭셀로 나눈 다음 균질화 시뮬레이션을 적용하여 탄성계수, 전단 탄성계수, 포아송 비를 포함한 구조의 균질화된 기계적 특성을 계산했습니다.마지막으로 1,500개의 데이터 포인트(500개의 토폴로지, 각각 3개의 밀도와 해당 성능)가 얻어졌습니다.

데이터 세트의 다양성을 더욱 강화하기 위해,연구팀은 각 데이터 포인트에 대해 데이터 증강을 수행했습니다.동일한 무작위 회전 각도로 토폴로지와 성능을 회전시키면 각 데이터 포인트가 9번 회전되고, 최종적으로 데이터 세트는 저밀도(ρ=0.1)에서 중밀도(ρ=0.5) 시나리오를 포괄하는 15,000개의 샘플을 포함하게 되며, 토폴로지는 3차 대칭과 주기성을 충족합니다.

모델 아키텍처: 모달리티 정렬 모듈 및 협업 확산 생성 모듈

UNIMATE 모델 아키텍처는 기계적 메타물질 설계에서 3D 토폴로지, 밀도 조건 및 기계적 특성의 세 가지 주요 모드에 대한 통합 모델링 문제를 해결하도록 설계되었습니다.핵심은 모달리티 정렬 모듈과 시너지 확산 생성 모듈로 구성되어 있습니다.아래 그림에서 보듯이, 멀티태스킹 협업 처리는 훈련과 추론 과정을 통해 달성됩니다.

모델 아키텍처 다이어그램

모달리티 정렬 모듈: 다중 모달 잠재 공간 통합

이 모듈의 목표는 세 가지 이질적인 모달리티(위상, 밀도, 기계적 특성)를 공유되는 개별 잠재 공간에 매핑하는 것입니다.3부 최적 운송(TOT)은 모달 분포를 정렬하고, 모달 간 차이를 줄이고, 데이터 복잡성 문제를 해결하는 데 사용됩니다.

특히, VQ-VAE에서 영감을 받은 이 모듈은 먼저 원시 데이터를 이산 잠재 공간에 매핑합니다. 3D 토폴로지의 경우, 그래프 합성곱 신경망(GCN)을 인코더로 사용하여 토폴로지의 노드 좌표와 인접 행렬을 잠재 임베딩으로 변환합니다. 밀도 조건과 기계적 특성의 경우, 다층 퍼셉트론(MLP)을 각각 인코더로 사용합니다.

그런 다음, 잠재적 토큰을 "반올림"하기 위해 코드북을 도입합니다. 즉, 코드북에서 가장 가까운 프로토타입 토큰을 찾아 잠재적 토큰을 프로토타입 토큰으로 대체합니다. 이를 통해 세 가지 서로 다른 방식을 일련의 토큰으로 구성된 공유 이산 공간에 매핑할 수 있습니다.

연구팀은 세 가지 모달리티를 정렬하기 위해 최적 전송(OT)을 3자 최적 전송(TOT)으로 확장하고, 3자 바서슈타인 거리(TWD)를 최소화하여 잠재적 토큰 분배를 최적화함으로써 세 가지 모달리티의 정렬을 달성했습니다. 정렬 손실 함수는 재구성 오류, 토큰 반올림 오류, 모달리티 정렬 오류 등의 요소를 종합적으로 고려하여 설계되었습니다.

공동 확산 생성 모듈: 다양한 작업의 유연한 처리

협력적 확산 생성 모듈은 점수 기반 확산 모델을 기반으로 합니다. 모달리티에 맞춰진 토큰을 사용하여 알려지지 않은 모달리티의 생성을 완료하고, 유연한 조건부 생성을 지원하며, 작업 다양성의 과제를 해결합니다.

이 모듈의 입력은 "둥근" 잠재 기계 메타물질(LMTR)이며, 여기서 일부 토큰은 잡음과 함께 추가되어 미지의 토큰으로 간주됩니다. 확산 과정은 일련의 잡음 제거 단계를 거쳐 미지의 토큰 생성을 완료하며, 각 단계는 Transformer를 백본 네트워크로 사용합니다.

주어진 컨텍스트 토큰을 변경하지 않기 위해, 트랜스포머 백본 네트워크는 부분 동결 확산 연산을 수행합니다. 즉, 출력에서 알려진 토큰을 초기값으로 대체합니다. 이 부분 동결 과정을 통해 모델은 임의 길이의 토큰 시퀀스를 처리하고 토큰의 모든 하위 집합을 미지(unknown)로 설정할 수 있습니다. 알려진 토큰은 다른 토큰, 특히 트랜스포머의 어텐션 연산에서 맥락 정보를 제공합니다.

생성 손실 함수는 반올림된 LMTR과 확산에 의해 생성된 LMTR 사이의 거리로 정의되며, 생성 프로세스는 이 손실 함수를 최소화함으로써 최적화됩니다.

학습 단계에서는 모달리티 정렬과 협력적 확산 학습이 번갈아 수행됩니다. 먼저, 원본 데이터를 인코더와 코드북을 통해 잠재적 토큰에 매핑하고, TOT를 사용하여 모달리티를 정렬합니다. 그 후, 무작위 모달리티에 노이즈를 추가하고, 확산 모델을 통해 노이즈 제거 학습을 수행하여 전체 손실을 최적화합니다.

추론 단계에서는 밀도 및 성능과 같은 모달 데이터가 주어지면 해당 인코더가 알려진 잠재적 토큰을 생성하고, 알려지지 않은 토큰은 전송 계획 TransPlan을 통해 초기화됩니다(확률이 높은 토큰이 우선적으로 우선적으로 처리됨). 그런 다음 확산 모델을 통해 완전한 잠재적 토큰 시퀀스가 생성되고, 최종적으로 디코더에 의해 원래 모달 데이터로 재구성됩니다.

실험 결과: 3대 주요 과제의 성능이 종합적으로 향상됨

효과 분석

연구팀은 UNIMATE 모델의 효과를 검증하기 위해 포괄적인 실험을 수행하고 토폴로지 생성, 성능 예측, 조건 확인의 세 가지 작업에 대해 여러 기준 모델과 비교했습니다.

토폴로지 생성 작업에서,UNIMATE의 F콰  그리고 F조건  지표는 각각 2.74×10⁻²와 7.81×10⁻²에 도달했으며, 이는 두 번째로 우수한 기준 모델인 SyMat보다 80.2% 더 높습니다. 이는 생성된 위상 구조가 대칭성 및 주기성과 같은 주요 기하학적 특성에서 엔지니어링 실무 표준에 더 근접함을 의미합니다.

성능 예측 작업에서,UNIMATE의 NRMSE페이지  이는 2.44×10⁻²로 2위 모델보다 5.1% 높습니다.

조건 확인 작업에서,UNIMATE의 NRMSE참조  구조물의 무게는 4.43×10⁻²로, 두 번째로 좋은 모델보다 50.2% 더 높습니다. 또한, UNIMATE는 엔지니어가 주어진 지형 및 성능 요구 사항에 맞는 최적의 밀도를 결정하는 데 도움을 줄 수 있으며, 성능을 보장하는 동시에 구조물의 무게를 30% 이상 줄일 수 있습니다.

시간과 공간의 효율성

시간 효율성 측면에서 각 모델을 학습하고 각 배치를 처리하는 데 걸리는 평균 시간을 기록합니다. 결과는 다음과 같습니다.각 모델의 일괄 처리 시간은 배치 크기에 거의 선형적입니다.아래 그림에서 볼 수 있듯이 UNIMATE 모델의 기울기는 중간 수준으로, 시간 효율성이 중간 수준임을 나타냅니다.

시간 효율성 비교

공간 효율성 측면에서 많은 기준 모델은 GPU 메모리가 부족하여 더 작은 배치 크기에서 오류를 발생시킵니다.UNIMATE 모델은 일괄 크기가 10,000일 때는 오류가 발생하지 않아 다른 모델보다 공간 효율성이 훨씬 높은 것으로 나타났습니다.

매개변수 감도

연구팀은 또한 잠재 토큰 차원 d와 코드북 내 토큰 수 n에 대한 모델의 매개변수 민감도를 연구했습니다. 실험 결과는 아래 그림에 나와 있습니다.잠재 토큰 차원이 증가하고 코드북 크기가 커짐에 따라 일반적으로 모델 성능이 향상됩니다.

다양한 매개변수 하의 F콰   색인

사례 연구

UNIMATE 모델의 실제 적용을 입증하기 위해 연구팀은 고강성 저밀도(HSLD) 메타물질의 위상 생성에 대한 사례 연구를 수행했습니다. 모델 학습 시, 원본 데이터셋에서 더 나은 HSLD 특성을 보이는 메타물질 데이터를 선택하고, 밀도 조건은 더 낮은 값(예: 0.3)으로 제한했으며, 필요한 강성은 특정 범위(예: 0.1~0.5) 내에서 조정했습니다.

실험 결과는 다음과 같습니다.UNIMATE 모델은 성능에 따라 달라지는 일련의 위상적 전환을 생성할 수 있습니다.HSLD 목표 과제에서, 모델은 고강성 위상 후보로 알려진 옥텟 트러스 위상을 사용할 것을 제안합니다. 또한, 모델은 훈련 데이터셋에 포함되지 않은 새로운 중간 위상을 생성할 수 있습니다.이는 주어진 분포 내에서 중간 전이를 근사화하고 원하는 특성을 지닌 새로운 초물질 후보를 제안할 수 있는 잠재력을 시사합니다.

머신 러닝 알고리즘을 통해 기계적 메타물질 설계의 새로운 여정이 시작됩니다.

머신 러닝의 심층적인 활용으로 기계적 메타물질 설계의 본질적인 패러다임이 새롭게 쓰여지고 있습니다. 학술 연구 분야에서도 기계적 메타물질 연구가 활발하게 진행되고 있습니다. 학자들은 재료 구조 데이터와 성능 매개변수 간의 복잡한 관계를 분석하고 신경망의 비선형 피팅 능력을 결합하여, 고자유도 메타물질 설계의 난제인 방대한 계산량, 복잡성으로 인한 관찰 및 표현의 어려움, 그리고 수많은 설계 공간 매개변수 문제를 점진적으로 해결하고 있습니다.

예를 들어, 미국 펜실베이니아 주립대학교의 한 팀은 메타물질 설계의 계산적 난제를 해결하기 위해 딥러닝 프레임워크에 새로운 고정 어텐션 메커니즘을 도입할 것을 제안했습니다. 이 메타물질은 유전체 기판에 매립된 두 개의 금 나노로드로 구성되며, 그 구조는 12개의 매개변수로 표현됩니다.이 실험에서는 Lumerical FDTD 시뮬레이션을 사용하여 6,493개 데이터 세트를 생성하여 네트워크를 훈련했습니다.결과는 어텐션 메커니즘이 없는 네트워크와 비교했을 때, 이 방법의 예측 정확도가 48.09%만큼 향상되었고, 테스트 세트의 평균 제곱 오차는 2.17×10⁻³였으며, 계산 속도도 크게 향상되었음을 보여줍니다. 또한, 이 프레임워크는 플라즈마 메타물질의 역설계에도 적용 가능하여 계산 비용을 크게 절감하고 복잡한 나노구조의 효율적이고 실시간적인 최적화를 위한 길을 열어줍니다.

* 서류 주소:

https://arxiv.org/abs/2504.00203

동시에, 애틀랜틱 대학교 연구팀은 최신 이미징 하드웨어와 최첨단 머신러닝 알고리즘을 결합한 인공지능 기반 새로운 메타물질 관측 장치를 제안했습니다. 기존 관측 기술과 비교했을 때,이 시스템은 정확도, 속도 면에서 상당한 개선을 이루었으며, 지금까지 감지할 수 없었던 요소를 감지하는 능력도 향상되었습니다.연구 결과는 AI 기반 방법이 기존 메타물질의 정의 능력을 향상시킬 뿐만 아니라, 고유한 특성과 거동을 찾는 새로운 방법을 제시하여 재료 과학 및 공학 분야의 발명 속도를 가속화함을 보여줍니다. 관련 연구는 국제 미래 공학, 과학 및 기술 혁신 저널(IJFIEST)에 선정되었습니다.

* 서류 주소:

https://journal.inence.org/index.php/ijfiest/article/view/369

또한 서울대학교 연구팀은 3차원 기계식 메타물질을 위한 매개변수 없는 설계 전략을 제안했는데, 이는 포인트 클라우드를 기반으로 한 심층 생성 네트워크를 사용하여 머신 러닝 모델을 학습시키는 메타물질 구조 라이브러리를 구축하는 것입니다.훈련된 잠재 공간은 비슷한 속성을 가진 단위의 위상적 클러스터를 형성하여 효율적인 탐색과 원활한 보간을 가능하게 합니다.또한, 이 방법은 기존 방법보다 기계적 특성을 더 빠르게 예측할 수 있습니다. 이 방법은 매개변수화 제약 조건에 구애받지 않고 목표 특성을 갖는 메타물질을 생성합니다. 계산 및 실험 검증을 통해 예상 특성이 허용 오차 범위 내에서 일관됨을 확인했습니다.

* 서류 주소:

https://arxiv.org/abs/2411.19681

머신러닝 알고리즘이 기계적 메타물질의 설계와 응용을 새로운 차원으로 끌어올릴 것으로 예상됩니다. 강화 학습이나 생성적 적대 신경망(GAN)과 같은 알고리즘의 지속적인 발전과 함께, 머신러닝은 기계적 메타물질 분야에 더욱 획기적인 혁신을 가져오고 더 많은 분야에서 널리 활용될 것으로 기대됩니다.

참조 링크:
https://mp.weixin.qq.com/s/-LTTHsvIz-x9p0zjT6I1kg
https://arxiv.org/abs/2411.19681
https://arxiv.org/abs/2504.00203