Deep learning strategies for multiscale modeling and materials design

This thesis investigates the potential of deep learning (DL) methodologies in materials informatics, with a focus on predictive and prescriptive tasks for modeling and design. Addressing critical gaps at the intersection of materials science and DL, this work develops robust frameworks and strategies for multiscale modeling and inverse design of heterogeneous materials, with applications spanning polysilicon microstructures and composite materials. The foundational chapters establish the theoretical and methodological context. Chapter 1 provides a review of the literature, emphasizing the challenges of integrating DL into material modeling and design processes. Chapters 2 to 5 develop the theoretical framework, encompassing homogenization theory, briefly reviewing analytical, numerical, and data-driven homogenization approaches, and the characteristics of the heterogeneous material systems under study. These chapters culminate in a comprehensive discussion of DL concepts and principles, paving the way for the frameworks and strategies detailed in Chapters 6 and 7. The results chapters present key contributions. Chapter 6 develops a DL-based multiscale modeling framework for polysilicon microstructures, integrating convolutional neural networks (CNNs) to predict effective properties and bridge microstructural and device-level modeling, demonstrating adaptability for MEMS applications. Chapter 7 introduces a DL-based inverse design framework, combining CNNs and generative adversarial networks (GANs) to efficiently generate material configurations with targeted properties. This framework enables direct navigation of complex design spaces, bypassing traditional forward-design approaches. By analyzing interpolation and extrapolation capabilities, this work highlights both the strengths and limitations of DL models, offering insights for refinement. This thesis highlights the potential of DL to revolutionize materials informatics by tackling key challenges in data preparation and visualization, microstructure-to-property modeling, and optimization. The contributions provide a foundation for advancing multiscale modeling and material design, paving the way for innovative approaches in materials engineering and discovery.

Questa tesi esplora il potenziale delle metodologie di Deep Learning (DL) nell’ambito dell’informatica dei materiali, con un focus su compiti predittivi e prescrittivi per la modellazione e la progettazione dei materiali. Affrontando le principali lacune esistenti all'intersezione tra scienza dei materiali e DL, questo lavoro sviluppa framework e strategie robuste per la modellazione multiscala e la progettazione inversa di materiali eterogenei, con applicazioni che spaziano dalle microstrutture di polisilicio ai materiali compositi. I capitoli introduttivi stabiliscono il contesto teorico e metodologico. Il Capitolo 1 fornisce una rassegna della letteratura, evidenziando le sfide nell'integrazione del DL nei processi di modellazione e progettazione dei materiali. I Capitoli 2-5 sviluppano il quadro teorico, trattando la teoria dell'omogeneizzazione, con una panoramica sulle approssimazioni analitiche, numeriche e data-driven, e analizzando le caratteristiche dei sistemi materiali eterogenei studiati. Questi capitoli culminano in una discussione approfondita sui principi del Deep Learning, gettando le basi per i framework e le strategie dettagliati nei Capitoli 6 e 7. I capitoli dedicati ai risultati presentano i principali contributi della ricerca. Il Capitolo 6 sviluppa un framework di modellazione multiscala basato sul DL per microstrutture di polisilicio, integrando reti neurali convoluzionali (CNNs) per prevedere le proprietà effettive e creare un ponte tra la modellazione microstrutturale e quella a livello di dispositivo, dimostrando l'adattabilità del metodo ad applicazioni MEMS. Il Capitolo 7 introduce un framework di progettazione inversa basato sul DL, combinando CNNs e reti antagoniste generative (GANs) per generare in modo efficiente configurazioni di materiali con proprietà mirate. Questo framework consente l’esplorazione diretta di spazi di progettazione complessi, superando i limiti degli approcci forward-design tradizionali. Attraverso l'analisi delle capacità di interpolazione ed estrapolazione, questo lavoro evidenzia sia i punti di forza che le limitazioni dei modelli di DL, offrendo spunti per futuri miglioramenti. Questa tesi mette in luce il potenziale del Deep Learning nel rivoluzionare l’informatica dei materiali, affrontando sfide cruciali legate alla preparazione e visualizzazione dei dati, alla modellazione microstruttura-proprietà e all'ottimizzazione. I contributi presentati costituiscono una base per il progresso della modellazione multiscala e della progettazione dei materiali, aprendo la strada a nuovi approcci innovativi nell'ingegneria e nella scoperta di materiali.