論文の概要: Data-Driven Topology Optimization with Multiclass Microstructures using
Latent Variable Gaussian Process
- arxiv url: http://arxiv.org/abs/2006.15273v2
- Date: Wed, 16 Sep 2020 15:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 07:43:31.666736
- Title: Data-Driven Topology Optimization with Multiclass Microstructures using
Latent Variable Gaussian Process
- Title（参考訳）: 潜在変数ガウス過程を用いた多クラス構造によるデータ駆動トポロジー最適化
- Authors: Liwei Wang, Siyu Tao, Ping Zhu, Wei Chen
- Abstract要約: メタマテリアルの微細構造ライブラリーのための多応答潜在変数ガウス過程 (LVGP) モデルを開発した。
MR-LVGPモデルでは、混合変数の応答に対する集合的影響に基づいて、混合変数を連続的な設計空間に埋め込む。
マイクロ構造, マクロ構造に対する一貫した負荷伝達経路により, マルチクラスのマイクロ構造を考えることで, 性能の向上が期待できることを示す。
- 参考スコア（独自算出の注目度）: 18.17435834037483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data-driven approach is emerging as a promising method for the
topological design of multiscale structures with greater efficiency. However,
existing data-driven methods mostly focus on a single class of microstructures
without considering multiple classes to accommodate spatially varying desired
properties. The key challenge is the lack of an inherent ordering or distance
measure between different classes of microstructures in meeting a range of
properties. To overcome this hurdle, we extend the newly developed
latent-variable Gaussian process (LVGP) models to create multi-response LVGP
(MR-LVGP) models for the microstructure libraries of metamaterials, taking both
qualitative microstructure concepts and quantitative microstructure design
variables as mixed-variable inputs. The MR-LVGP model embeds the mixed
variables into a continuous design space based on their collective effects on
the responses, providing substantial insights into the interplay between
different geometrical classes and material parameters of microstructures. With
this model, we can easily obtain a continuous and differentiable transition
between different microstructure concepts that can render gradient information
for multiscale topology optimization. We demonstrate its benefits through
multiscale topology optimization with aperiodic microstructures. Design
examples reveal that considering multiclass microstructures can lead to
improved performance due to the consistent load-transfer paths for micro- and
macro-structures.
- Abstract（参考訳）: データ駆動アプローチは、より効率の良い多スケール構造のトポロジカル設計のための有望な方法として登場している。
しかし、既存のデータ駆動手法は主に、空間的に変化する所望の特性に対応するために複数のクラスを考慮せずに、単一クラスのマイクロ構造にフォーカスする。
鍵となる課題は、様々な性質を満たすために、異なるクラスのミクロ構造間で固有の順序付けや距離測定が欠けていることである。
このハードルを克服するため,我々は新たに開発した潜在可変ガウス過程(lvgp)モデルを拡張し,メタマテリアルのミクロ構造ライブラリのためのマルチ応答型lvgp(mr-lvgp)モデルを作成し,質的微細構造の概念と定量的構造設計変数を混合変数入力として用いた。
MR-LVGPモデルでは、混合変数が応答に対する集合的影響に基づいて連続的な設計空間に埋め込み、異なる幾何学的クラスとミクロ構造の材料パラメータ間の相互作用に関する重要な洞察を提供する。
このモデルにより,マルチスケールトポロジー最適化のための勾配情報を描画可能な,異なる微細構造概念間の連続的かつ微分可能な遷移を容易に得ることができる。
周期的マイクロ構造を用いたマルチスケールトポロジ最適化により,その利点を実証する。
設計例では、マイクロ構造やマクロ構造に対する一貫した負荷伝達経路により、マルチクラスのマイクロ構造を考えることで性能が向上することを示した。
関連論文リスト
- Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。
このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
論文 参考訳（メタデータ） (2024-09-04T12:26:19Z) - Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳（メタデータ） (2023-02-17T08:49:09Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - Remixing Functionally Graded Structures: Data-Driven Topology
Optimization with Multiclass Shape Blending [15.558093285161775]
本稿では,多クラス関数型構造のためのデータ駆動型フレームワークを提案する。
鍵となるのは、滑らかにグレードされたマイクロ構造を生成する新しいマルチクラス形状ブレンディング方式である。
マイクロスケールの問題を、設計を事前に定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
論文 参考訳（メタデータ） (2021-12-01T16:54:56Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Data-Driven Multiscale Design of Cellular Composites with Multiclass
Microstructures for Natural Frequency Maximization [14.337297795182181]
本稿では,データ駆動型トポロジ最適化(TO)手法を提案する。
このフレームワークは、熱コンプライアンスや動的応答最適化など、他のマルチスケールTO問題にも容易に拡張できる。
論文 参考訳（メタデータ） (2021-06-11T15:59:33Z) - 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) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳（メタデータ） (2020-04-19T08:34:52Z)
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。