Многофиделити-фреймворк для оптимизации гиперпараметров генетического алгоритма при проектировании решётчатых материалов

Оптимизация гиперпараметров генетического алгоритма — одна из ключевых задач при проектировании решётчатых материалов. Традиционные подходы, такие как полный перебор или эвристические правила, требуют значительных вычислительных ресурсов и не гарантируют оптимальности. В недавней работе, представленной в статье arXiv:2607.07289, предложен многофиделити-фреймворк, который автоматизирует этот процесс, сокращая время расчётов на 24% и позволяя достигать результатов 75-поколенного прогона генетического алгоритма всего за 25 поколений. Этот подход объединяет три уровня точности моделирования, что делает его эффективным инструментом для материаловедов и инженеров.

Как устроен многофиделити-фреймворк

Фреймворк использует три уровня точности для оценки свойств решётчатых структур. Высокоточный метод основан на FFT-гомогенизации, который даёт наиболее достоверные результаты, но требует много времени. Средне-точный уровень представляет собой 3D-свёрточную нейронную сеть, обученную предсказывать механические свойства по геометрии решётки. Низкоточный суррогат на основе гауссовского процесса (GP) применяется внутри байесовской оптимизации (BO) для быстрого поиска оптимальных гиперпараметров генетического алгоритма. Такая иерархия позволяет балансировать между точностью и вычислительной эффективностью.

Почему байесовская оптимизация с GP-суррогатом эффективна?

Байесовская оптимизация с гауссовским процессом — популярный метод для оптимизации дорогих чёрных ящиков. В данном контексте GP-суррогат моделирует зависимость производительности генетического алгоритма от его гиперпараметров (размер популяции, скорость мутации и т.д.). Используя функцию приобретения, BO выбирает следующую точку для оценки, стремясь найти глобальный оптимум при минимальном числе вызовов дорогой функции. В работе сравнивались различные функции приобретения, и наилучшей оказалась logNEI, которая учитывает шум в оценках производительности GA.

Результаты и преимущества подхода

Применение многофиделити-фреймворка позволило сократить общее время вычислений с 225 до 171 часа, то есть на 24%. При этом качество найденных решений не ухудшилось: оптимизированные гиперпараметры обеспечили быструю сходимость, устранили необходимость в мутации решёток и позволили достичь результатов, сравнимых с 75 поколениями стандартного GA, всего за 25 поколений. Введение штрафного BO-критерия дало возможность существенно сократить количество требуемых решёток при незначительном снижении модуля упругости, что выявило практический компромисс между производительностью и числом оцениваемых структур.

Как проводилась валидация?

Высокоточная FFT-гомогенизация использовалась для валидации результатов, полученных с помощью суррогатных моделей. Это подтвердило, что многофиделити-подход не приводит к существенным ошибкам и может быть доверен при проектировании. Сравнение с традиционными методами оптимизации гиперпараметров показало превосходство предложенного фреймворка как по скорости, так и по качеству.

Кому будет полезен этот фреймворк?

Разработчики и исследователи в области материаловедения, вычислительной механики и оптимизации структур найдут в нём инструмент для ускорения проектирования. Инженеры, занимающиеся метаматериалами и решётчатыми конструкциями, смогут быстрее получать оптимальные параметры. Специалисты по машинному обучению, работающие с многофиделити-моделями и байесовской оптимизацией, увидят практическое применение своих методов. Фреймворк также может быть адаптирован для других задач, где требуется дорогостоящая симуляция.

Ограничения и перспективы

На данный момент остаётся неясным, насколько фреймворк применим к другим типам материалов или топологиям решёток. Также не исследовано его масштабирование на задачи с большим числом гиперпараметров. Кроме того, экспериментальная проверка на реальных образцах не проводилась, что оставляет открытым вопрос о соответствии расчётных и физических свойств. Однако работа закладывает основу для дальнейших исследований в этой области.

Заключение

Многофиделити-фреймворк для оптимизации гиперпараметров генетического алгоритма представляет собой значительный шаг вперёд в автоматизации проектирования решётчатых материалов. Сочетание трёх уровней точности, байесовской оптимизации и штрафного критерия позволяет существенно сократить вычислительные затраты без потери качества. Это открывает новые возможности для ускоренного поиска оптимальных структур в материаловедении и смежных областях.