論文の概要: METASET: Exploring Shape and Property Spaces for Data-Driven Metamaterials Design

• arxiv url: http://arxiv.org/abs/2006.02142v3
• Date: Tue, 15 Sep 2020 21:13:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:49:20.621680
• Title: METASET: Exploring Shape and Property Spaces for Data-Driven Metamaterials Design
• Title（参考訳）: METASET:データ駆動型メタマテリアル設計のための形状と特性空間の探索
• Authors: Yu-Chin Chan, Faez Ahmed, Liwei Wang, Wei Chen
• Abstract要約: より小さいが多様な単細胞が、スケーラブルな検索と非バイアス学習につながることを示す。 我々のフレキシブルな方法は、採用される計量によらず、ユニークな部分集合を蒸留することができる。 私たちの多様なサブセットは、デザイナが使用するために公開されています。
• 参考スコア（独自算出の注目度）: 20.272835126269374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven design of mechanical metamaterials is an increasingly popular method to combat costly physical simulations and immense, often intractable, geometrical design spaces. Using a precomputed dataset of unit cells, a multiscale structure can be quickly filled via combinatorial search algorithms, and machine learning models can be trained to accelerate the process. However, the dependence on data induces a unique challenge: An imbalanced dataset containing more of certain shapes or physical properties can be detrimental to the efficacy of data-driven approaches. In answer, we posit that a smaller yet diverse set of unit cells leads to scalable search and unbiased learning. To select such subsets, we propose METASET, a methodology that 1) uses similarity metrics and positive semi-definite kernels to jointly measure the closeness of unit cells in both shape and property spaces, and 2) incorporates Determinantal Point Processes for efficient subset selection. Moreover, METASET allows the trade-off between shape and property diversity so that subsets can be tuned for various applications. Through the design of 2D metamaterials with target displacement profiles, we demonstrate that smaller, diverse subsets can indeed improve the search process as well as structural performance. By eliminating inherent overlaps in a dataset of 3D unit cells created with symmetry rules, we also illustrate that our flexible method can distill unique subsets regardless of the metric employed. Our diverse subsets are provided publicly for use by any designer.
• Abstract（参考訳）: メカニカルメタマテリアルのデータ駆動設計は、高価な物理シミュレーションと膨大な、しばしば難解な幾何学的設計空間と戦うためにますます普及している手法である。 プリ計算された単位セルのデータセットを使用して、組合せ探索アルゴリズムによって、マルチスケール構造を迅速に満たし、そのプロセスを加速するために機械学習モデルを訓練することができる。 しかし、データへの依存は、ユニークな課題を招き、特定の形状や物理的性質を多く含む不均衡データセットは、データ駆動アプローチの有効性を損なう可能性がある。 答えとして、より小さく多様なユニットセルの集合は、スケーラブルな検索と偏りのない学習につながると仮定する。 このようなサブセットを選択するために、我々はmetasetを提案します。 1)類似度測定値と正半定核を用いて、形状と特性空間の両方における単位細胞の近接度を共同測定し、 2) 効率的なサブセット選択のために決定点プロセスを導入する。 さらにMETASETは、形状とプロパティの多様性のトレードオフを可能にし、サブセットを様々なアプリケーション向けに調整することができる。 目的の変位プロファイルを持つ2次元メタマテリアルの設計を通じて、より小型で多様なサブセットが実際に探索プロセスと構造性能を向上できることを示す。 対称性の規則で生成された3次元単位セルのデータセットに固有の重なりを取り除くことにより、我々のフレキシブルな手法は、使用する計量に関係なく、独自の部分集合を蒸留できることを示す。 私たちの多様なサブセットは、デザイナが使用するために公開されています。

関連論文リスト

• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Data-Driven Design for Metamaterials and Multiscale Systems: A Review [15.736695579155047]
  メタマテリアル(Metamaterials)は、自然界にある物質を超える効果的な物質パラメータを示すために設計された人工材料である。 メタマテリアルの可能性を最大限に発揮できる魅力的なパラダイムとして、データ駆動設計(Data-driven Design)が生まれています。 我々は、データ駆動モジュールに関する既存の研究を組織し、データ取得、機械学習ベースの単位セル設計、データ駆動型マルチスケール最適化を含む。
  論文  参考訳（メタデータ） (2023-07-01T22:36:40Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• T-METASET: Task-Aware Generation of Metamaterial Datasets by Diversity-Based Active Learning [14.668178146934588]
  タスク対応データセット生成のためのインテリジェントなデータ取得フレームワークであるt-METASETを提案する。 提案するフレームワークを,汎用性,タスク認識性,カスタマイズ可能な3つのシナリオで検証する。
  論文  参考訳（メタデータ） (2022-02-21T22:46:49Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Exploring Multi-dimensional Data via Subset Embedding [13.092303047029311]
  サブセットパターンを探索する視覚分析手法を提案する。 アプローチの中核はサブセット埋め込みネットワーク(SEN)であり、サブセットの群を一様に変形した埋め込みとして表現する。 この設計により、任意のサブセットを処理し、単一の機能でサブセットの類似性をキャプチャできる。
  論文  参考訳（メタデータ） (2021-04-24T03:08:08Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。