Fugu-MT 論文翻訳(概要): IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures

論文の概要: IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures

arxiv url: http://arxiv.org/abs/2103.02588v1
Date: Wed, 3 Mar 2021 18:39:25 GMT
ステータス: 処理完了
システム内更新日: 2021-03-07 05:53:39.195575
Title: IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures
Title（参考訳）: IH-GAN: セル構造の入射表面ベース逆設計のための条件付き生成モデル
Authors: Jun Wang, Wei Chen, Mark Fuge, Rahul Rai
Abstract要約: 材料特性に応じた多様な細胞ユニット細胞を生成できる深層生成モデルを提案します。その結果,(1)特定の材料特性を高精度(相対誤差5%)で満たす各種ユニットセルを生成し,2)高品質のインターフェース接続(インターフェースにおける平均重複面積98.7%)を有する機能グレードの細胞構造を作成し,3)従来のトポロジ最適化可変密度構造に対する構造性能を向上させることができた。
参考スコア（独自算出の注目度）: 15.540823405781337
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Variable-density cellular structures can overcome connectivity and manufacturability issues of topologically-optimized, functionally graded structures, particularly when those structures are represented as discrete density maps. One na\"ive approach to creating variable-density cellular structures is simply replacing the discrete density map with an unselective type of unit cells having corresponding densities. However, doing so breaks the desired mechanical behavior, as equivalent density alone does not guarantee equivalent mechanical properties. Another approach uses homogenization methods to estimate each pre-defined unit cell's effective properties and remaps the unit cells following a scaling law. However, a scaling law merely mitigates the problem by performing an indirect and inaccurate mapping from the material property space to single-type unit cells. In contrast, we propose a deep generative model that resolves this problem by automatically learning an accurate mapping and generating diverse cellular unit cells conditioned on desired properties (i.e., Young's modulus and Poisson's ratio). We demonstrate our method via the use of implicit function-based unit cells and conditional generative adversarial networks. Results show that our method can 1) generate various unit cells that satisfy given material properties with high accuracy (relative error <5%), 2) create functionally graded cellular structures with high-quality interface connectivity (98.7% average overlap area at interfaces), and 3) improve the structural performance over the conventional topology-optimized variable-density structure (84.4% reduction in concentrated stress and extra 7% reduction in displacement).
Abstract（参考訳）: 可変密度セル構造は、トポロジカルに最適化された機能的にグレードされた構造、特にそれらの構造が離散密度マップとして表現される場合の接続性や製造性の問題に克服することができる。可変密度セル構造を作るための1つのna\"iveなアプローチは、離散密度マップを、対応する密度を持つ非選択的な単位セルに置き換えることである。しかし、等価密度だけでは等価な機械的特性が保証されないため、所望の機械的挙動を損なう。別のアプローチでは、ホモジェネライゼーション法を用いて各ユニットセルの有効な特性を推定し、スケーリング法に従ってユニットセルを再マップする。しかし、スケーリング法は、物質的性質空間から単型単位セルへの間接かつ不正確なマッピングを行うことで、単に問題を緩和する。対照的に, 正確なマッピングを自動学習し, 望ましい性質(ヤング率, ポアソン比)に基づく多様なセル単位細胞を生成することで, この問題を解決する深層生成モデルを提案する。本手法は,暗黙の関数ベース単位細胞と条件付き生成対向ネットワークを用いて実証する。その結果,(1) 特定の材料特性を高精度に満たす各種ユニットセル(相対誤差<5%)の生成,2) 高品質のインターフェース接続(インターフェースにおける平均重複面積98.7%) の機能的グレード化,3) 従来のトポロジ最適化可変密度構造(応力の84.4%低減,変位率の7%削減) に対する構造性能の向上が可能となった。

関連論文リスト

Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文参考訳（メタデータ） (2023-11-04T16:42:42Z)
A Neural Network Transformer Model for Composite Microstructure Homogenization [0.0]
複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。本稿では,様々なミクロ構造や構成成分の知識を捉えるトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
論文参考訳（メタデータ） (2023-04-16T19:57:52Z)
Growing Isotropic Neural Cellular Automata [63.91346650159648]
我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
論文参考訳（メタデータ） (2022-05-03T11:34:22Z)
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)
A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文参考訳（メタデータ） (2021-10-26T07:02:14Z)
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)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
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)
METASET: Exploring Shape and Property Spaces for Data-Driven Metamaterials Design [20.272835126269374]
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。
論文参考訳（メタデータ） (2020-06-01T03:36:37Z)
Segmentation with Residual Attention U-Net and an Edge-Enhancement Approach Preserves Cell Shape Features [12.676246022612533]
We modified the U-Net architecture to segment cells in fluorescence widefield microscopy images and quantitatively evaluation its performance。 97%の感度, 93%の特異性, 91%のジャカード類似性, 95%のDice係数で, エッジ付き残留注意U-Netは, セグメンテーション性能において最先端のU-Netを上回った。
論文参考訳（メタデータ） (2020-01-15T20:44:39Z)

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。