通过强化学习优化的分级超材料用于机械能量的限制和放大
摘要：使用强化学习方法来设计优化的分级超材料以实现机械能的限制和放大。通过邻近策略优化算法（proximal policy optimization algorithm），训练强化学习代理以最佳地设置共振器阵列的长度和间距。将设计优化问题分解成一系列决策，通过马尔可夫决策问题（Markov decision problem）对设计优化问题进行形式化。由于分级超材料的物理性质受到局部共振的空间分布的影响，通过使用连续函数来约束共振器的排列方式，对可能的配置空间进行限制。通过初步的分析研究，将系统视为局部共振系统，对分析系统的色散特性进行了表征。优化过程的结果确认了之前研究的结果，突出了所提出方法的有效性以及分级共振器系统在机械能限制和放大方面的稳健性。研究表明，共振器的间距相对共振器的长度或者说相对于共振器的振荡频率是次要的。然而，研究还证明减少共振器的数量可能是有益的。通过对共振器长度和间距的联合优化，以及对分析持续时间的自适应控制，优化结果显著超过了已知系统的性能，几乎仅通过延长能量收集器振荡的时间而不会放大这些振荡。所提出的方法适用于各种设计优化问题，其中可以通过数值模拟来评估设计选择的效果。
作者：Luca Rosafalco, Jacopo Maria De Ponti, Luca Iorio, Raffaele Ardito, Alberto Corigliano
论文ID：2211.09528
分类：Applied Physics
分类简称：physics.app-ph
提交时间：2023-02-27