A multitask latent space learning framework for modeling and inversion of structure–property relationships

Iraki, Tarek; Sandfeld, Stefan; Münstermann, Sebastian

doi:HT031430996

A multitask latent space learning framework for modeling and inversion of structure–property relationships = Ein Multitask Learning Framework für die Erzeugung von latenten Repräsentationen zur Modellierung und Invertierung von Struktur–Eigenschafts–Beziehungen

Iraki, Tarek^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Tarek Iraki, M.Sc.

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Sandfeld, Stefan (Thesis advisor)^RWTH* ; Münstermann, Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-03-09

Online
DOI: 10.18154/RWTH-2026-03271
URL: https://publications.rwth-aachen.de/record/1032046/files/1032046.pdf

Einrichtungen

Projekte

DFG project G:(GEPRIS)415804944 - Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe (415804944) (415804944)

Inhaltliche Beschreibung (Schlagwörter)
inverse design (frei) ; latent space (frei) ; machine learning (frei) ; multi-task learning (frei) ; process-structure-property linkage (frei) ; sinkhorn distance (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Verbindung zwischen Prozess, Struktur und Eigenschaft (PSP) bildet die Grundlage der modernen Materialwissenschaft. Sie beschreibt, wie Fertigungsprozesse mikrostrukturelle Merkmale beeinflussen, die wiederum die Eigenschaften eines Materials bestimmen. Eigenschaften wie Festigkeit, Duktilität, Härte und Anisotropie bestimmen die funktionale Eignung eines Bauteils, und es ist unerlässlich, diese Eigenschaften auf die beabsichtigte Anwendung abzustimmen. Dies führt zum Konzept des inversen Designs, das darauf abzielt, die gewünschten Materialeigenschaften auf mikrostrukturelle Entwicklungen und letztlich auf optimale Prozessparameter abzubilden. Das Erreichen dieses Ziels ist eine große Herausforderung, da die Materialeigenschaften von komplexen und oft nichtlinearen Beziehungen zur zugrunde liegenden Mikrostruktur abhängen. Eine effektive Prozessoptimierung erfordert daher die Steuerung der mikrostrukturellen Entwicklung durch Prozessparameterverläufe, die typischerweise in einem hochdimensionalen Mikrostrukturraum ablaufen. Wenn beispielsweise Mikrostrukturen durch Orientierungsverteilungsfunktionen (ODFs) dargestellt werden, kann die daraus resultierende Komplexität rechenintensiv sein.Trotz jahrzehntelanger experimenteller und modellbasierter Studien bleibt die vollständige Nutzung von Struktur-Eigenschafts-Beziehungen für prädiktives und inverses Design herausfordernd. Maschinelles Lernen eröffnet hier neue Möglichkeiten, da es hochdimensionale, nicht-lineare Zusammenhänge direkt aus Daten erlernen und nahezu optimale Prozesspfade durch systematische Exploration und Optimierung ableiten kann. Voraussetzung ist die Definition von Zielmikrostrukturen, die die gewünschten Eigenschaften erfüllen. Diese Identifizierung wird allgemein als inverses Design von Struktur-Eigenschafts-Beziehungen bezeichnet.Diese Arbeit entwickelt datengesteuerte Methoden zur Modellierung und Optimierung solcher Beziehungen. Ziel ist es, inverses Design zu ermöglichen und gleichzeitig die Dimensionalität des Mikrostrukturraums zu reduzieren, um eine effiziente Optimierung zu unterstützen. Die ermittelten Mikrostrukturen müssen nicht nur die geforderten Eigenschaften aufweisen, sondern auch physikalisch herstellbar und hinreichend vielfältig sein, um eine breite Palette Designoptionen zu bieten. Die Integration dieser Anforderungen in das inverse Design Framework stellt einen wesentlichen Beitrag dar, da sie sicherstellt, dass alle Lösungen realisierbar sind und die Prozessoptimierung robuste Wege identifizieren kann.Der Hauptbeitrag dieser Arbeit ist die Entwicklung eines Multitask-Latent-Space-Learning-Ansatzes, der eine niedrigdimensionale Darstellung für Mikrostrukturen liefert. Ein gemeinsamer Encoder bildet Mikrostrukturen auf den Latent Space ab. Die inverse Abbildung von Eigenschaften auf vielfältige, realisierbare Mikrostrukturen erfolgt durch einen Optimierer mit einer speziell entwickelten Zielfunktion. Diversität wird dabei über Abstände zwischen den Mikrostrukturen quantifiziert. Da diese durch ODFs dargestellt werden, wird ein spezielles Distanzmaß zwischen ODFs eingeführt.Der daraus resultierende Effizienzgewinn bei der Prozessoptimierung stellt den wichtigsten Fortschritt gegenüber dem Stand der Technik dar, der in dieser Arbeit durch die Anwendung des entwickelten Ansatzes auf spezielle Prozesse demonstriert wird. Durch die allgemeinere Interpretation von Mikrostrukturen als Prozesszustandsvariablen kann das Multitask-Framework – mit seinem niedrigdimensionalen latenten Raum, seiner Rekonstruktionsfähigkeit und seinen Eigenschaftsabbildungen – auf andere Prozesse übertragen werden. Diese Verallgemeinerbarkeit wird am Beispiel des Widerstandspunktschweißens veranschaulicht.

The process–structure–property (PSP) linkage forms the foundation of modern materials science. It describes how manufacturing processes shape microstructural features, which in turn govern a material’s properties. Characteristics such as strength, ductility, hardness, and anisotropy define the functional suitability of a component, and tailoring these properties to the intended application is essential. This leads to the concept of inverse design, which seeks to map target material properties onto microstructural evolutions and ultimately onto optimal process parameters. Achieving this goal is highly challenging, as material properties depend on complex and often nonlinear relationships with the underlying microstructure. Effective process optimization therefore requires controlling microstructural evolution through process parameter trajectories, which typically operates in a high-dimensional microstructure space. For instance, if microstructures are represented by orientation distribution functions (ODFs), the resulting complexity can be computationally intensive. Despite decades of experimental and modelling studies, fully exploiting structure–property relationships for predictive and inverse design remains a significant challenge. Machine learning offers powerful and continually advancing capabilities to address this issue by learning high-dimensional, nonlinear structure–property linkages directly from data and extracting near-optimal process paths through systematic exploration and optimization. A prerequisite for such optimization is the specification of goal microstructures that fulfil the desired properties. This identification of microstructures corresponding to desired properties is commonly referred to as the inverse design of structure–property relationships. This work advances data-driven methodologies for modelling and optimization of structure–property relationships in materials science, with the dual objectives of enabling inverse design and reducing the dimensionality of the microstructure space to support efficient optimization. The set of microstructures resulting from inverse design should not only exhibit the desired properties but also satisfy two additional requirements: they must be physically producible through the process, and they should encompass sufficient diversity to provide a broad range of design options. Integrating these requirements into the inverse design framework constitutes a key contribution of this work, ensuring that all microstructures in the solution set are feasible and that process optimization can identify near-optimal paths. The main contribution of this work is the development of a multitask latent space learning approach that provides a low-dimensional representation for microstructures. In this framework, a shared encoder maps microstructures onto the latent space. The required inverse mapping from desired properties to a diverse set of feasible microstructures is performed by an optimizer with a specifically designed objective function, also developed in this work. The diversity requirement for the microstructure set is quantified through the mutual distances among its members. Since microstructures are represented by ODFs, a dedicated distance measure between ODFs is introduced. The resulting efficiency gain in process optimization represents the main advancement over the state of the art, demonstrated in this work through applications of the developed framework to dedicated processes. By interpreting microstructures more generally as process state variables, the multitask framework—with its low-dimensional latent space, reconstruction capability, and property mappings—can be transferred to other processes. This generalizability is illustrated using the example of resistance spot welding.

OpenAccess:
PDF
(additional files)