論文の概要: How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning
- arxiv url: http://arxiv.org/abs/2111.05949v1
- Date: Wed, 10 Nov 2021 21:19:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 15:31:06.098114
- Title: How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning
- Title(参考訳): 解釈可能な機械学習によるメタマテリアルの隠れパターンの把握
- Authors: Zhi Chen, Alexander Ogren, Chiara Daraio, L. Catherine Brinson,
Cynthia Rudin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 82.67551367327634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metamaterials are composite materials with engineered geometrical micro- and
meso-structures that can lead to uncommon physical properties, like negative
Poisson's ratio or ultra-low shear resistance. Periodic metamaterials are
composed of repeating unit-cells, and geometrical patterns within these
unit-cells influence the propagation of elastic or acoustic waves and control
dispersion. In this work, we develop a new interpretable, multi-resolution
machine learning framework for finding patterns in the unit-cells of materials
that reveal their dynamic properties. Specifically, we propose two new
interpretable representations of metamaterials, called shape-frequency features
and unit-cell templates. Machine learning models built using these feature
classes can accurately predict dynamic material properties. These feature
representations (particularly the unit-cell templates) have a useful property:
they can operate on designs of higher resolutions. By learning key coarse scale
patterns that can be reliably transferred to finer resolution design space via
the shape-frequency features or unit-cell templates, we can almost freely
design the fine resolution features of the unit-cell without changing coarse
scale physics. Through this multi-resolution approach, we are able to design
materials that possess target frequency ranges in which waves are allowed or
disallowed to propagate (frequency bandgaps). Our approach yields major
benefits: (1) unlike typical machine learning approaches to materials science,
our models are interpretable, (2) our approaches leverage multi-resolution
properties, and (3) our approach provides design flexibility.
- Abstract(参考訳): メタマテリアルは幾何学的ミクロ構造とメソ構造の複合材料であり、ポアソンの負の比や超低せん断抵抗など、珍しい物理的性質をもたらす。
周期的メタマテリアルは繰り返し単位セルで構成され、これらの単位セル内の幾何学的パターンは弾性波や音響波の伝播や制御分散に影響を与える。
本研究では,その動的特性を明らかにする材料単位セルのパターンを見つけるための,新しい解釈可能なマルチレゾリューション機械学習フレームワークを開発する。
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。
これらの特徴クラスを使って構築された機械学習モデルは、動的材料特性を正確に予測することができる。
これらの特徴表現(特にユニットセルテンプレート)は、より高い解像度の設計で操作できる有用な特性を持っている。
形状周波数特徴や単位セルテンプレートを用いて,より微細な解像度設計空間に確実に移行可能な重要な粗いスケールパターンを学習することにより,粗いスケール物理を変えることなく,単位セルの微細な解像度特徴をほぼ自由に設計することができる。
このマルチレゾリューションアプローチにより、波の伝搬を許容または許容する周波数範囲(周波数帯域)を持つ材料を設計できる(周波数帯域ギャップ)。
1) 材料科学における一般的な機械学習アプローチとは異なり, モデルは解釈可能であること, (2) マルチレゾリューション特性を活用すること, (3) 設計柔軟性を提供すること, である。
関連論文リスト
- Guided Diffusion for Fast Inverse Design of Density-based Mechanical
Metamaterials [43.780353583539785]
本稿では, ボクセルをベースとしたメカニカルメタマテリアルを生成するために, コアが高度な深層生成AIアルゴリズムである高速逆設計法を提案する。
具体的には, 1283ドルの分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 特定の均質化行列にわずか3秒でアプローチする。
論文 参考訳(メタデータ) (2024-01-24T16:31:50Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Differentiable graph-structured models for inverse design of lattice
materials [0.0]
異なる環境条件に適応可能な物理化学的性質を有する建築材料は、材料科学の破壊的な新しい領域を具現化している。
正規および不規則な格子材料に対するグラフベース表現を用いた新しい計算手法を提案する。
論文 参考訳(メタデータ) (2023-04-11T18:00:21Z) - 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) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳(メタデータ) (2022-03-11T18:27:04Z) - Learning the nonlinear dynamics of soft mechanical metamaterials with
graph networks [3.609538870261841]
ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。
提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
論文 参考訳(メタデータ) (2022-02-24T00:20:28Z) - 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) - 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) - 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)
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。