論文の概要: Denoising diffusion algorithm for inverse design of microstructures with
fine-tuned nonlinear material properties
- arxiv url: http://arxiv.org/abs/2302.12881v1
- Date: Fri, 24 Feb 2023 20:31:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 20:12:27.534546
- Title: Denoising diffusion algorithm for inverse design of microstructures with
fine-tuned nonlinear material properties
- Title（参考訳）: 微調整非線形材料特性を有する逆設計のための分極拡散アルゴリズム
- Authors: Nikolaos N. Vlassis and WaiChing Sun
- Abstract要約: 非線形微調整特性を持つ微細構造を発見するための分極拡散アルゴリズムを提案する。
畳み込みニューラルネットワークサロゲートは、高忠実度有限要素シミュレーションを置き換えるために訓練され、許容範囲外のプロトタイプをフィルタリングする。
このアルゴリズムは、オープンソースのメカニカルMNISTデータセットでテストされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a denoising diffusion algorithm to discover
microstructures with nonlinear fine-tuned properties. Denoising diffusion
probabilistic models are generative models that use diffusion-based dynamics to
gradually denoise images and generate realistic synthetic samples. By learning
the reverse of a Markov diffusion process, we design an artificial intelligence
to efficiently manipulate the topology of microstructures to generate a massive
number of prototypes that exhibit constitutive responses sufficiently close to
designated nonlinear constitutive responses. To identify the subset of
microstructures with sufficiently precise fine-tuned properties, a
convolutional neural network surrogate is trained to replace high-fidelity
finite element simulations to filter out prototypes outside the admissible
range. The results of this study indicate that the denoising diffusion process
is capable of creating microstructures of fine-tuned nonlinear material
properties within the latent space of the training data. More importantly, the
resulting algorithm can be easily extended to incorporate additional
topological and geometric modifications by introducing high-dimensional
structures embedded in the latent space. The algorithm is tested on the
open-source mechanical MNIST data set. Consequently, this algorithm is not only
capable of performing inverse design of nonlinear effective media but also
learns the nonlinear structure-property map to quantitatively understand the
multiscale interplay among the geometry and topology and their effective
macroscopic properties.
- Abstract（参考訳）: 本稿では,非線形微調整特性を有する微細構造を探索する分極拡散アルゴリズムを提案する。
デノイジング拡散確率モデル(denoising diffusion probabilistic models)は、拡散に基づくダイナミクスを用いて徐々に画像をデノイジングし、現実的な合成サンプルを生成する生成モデルである。
マルコフ拡散過程の逆を学習することにより, 構造トポロジーを効率的に操作し, 指定された非線形構成応答に十分近い構成応答を示す多数のプロトタイプを生成する人工知能を設計した。
十分に精密な微調整特性を有する微細構造のサブセットを同定するために、畳み込みニューラルネットワークを訓練し、高忠実度有限要素シミュレーションを置き換え、許容範囲外のプロトタイプをフィルタする。
本研究の結果から, 偏極拡散過程は, トレーニングデータの潜伏空間内で微調整された非線形材料特性の微細構造を生成できることが示唆された。
さらに重要なことに、得られたアルゴリズムは、潜在空間に埋め込まれた高次元構造を導入することで、追加の位相的および幾何学的な修正を組み込むように容易に拡張することができる。
このアルゴリズムは、オープンソースのメカニカルMNISTデータセットでテストされる。
したがって, このアルゴリズムは, 非線形有効媒体の逆設計を行うだけでなく, 非線形構造特性マップを学習し, 幾何およびトポロジー間のマルチスケール相互作用とその有効マクロ特性を定量的に理解することができる。
関連論文リスト
- 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) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えた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。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - 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) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Learning Low-Dimensional Nonlinear Structures from High-Dimensional
Noisy Data: An Integral Operator Approach [5.975670441166475]
本研究では,高次元および雑音観測から低次元非線形構造を学習するためのカーネルスペクトル埋め込みアルゴリズムを提案する。
このアルゴリズムは、基礎となる多様体の事前の知識に依存しない適応的な帯域幅選択手順を用いる。
得られた低次元埋め込みは、データ可視化、クラスタリング、予測などの下流目的にさらに活用することができる。
論文 参考訳（メタデータ） (2022-02-28T22:46:34Z) - 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) - Convolutional Filtering and Neural Networks with Non Commutative
Algebras [153.20329791008095]
本研究では,非可換畳み込みニューラルネットワークの一般化について検討する。
非可換畳み込み構造は作用素空間上の変形に対して安定であることを示す。
論文 参考訳（メタデータ） (2021-08-23T04:22:58Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳（メタデータ） (2020-09-23T17:53:48Z) - A Tailored Convolutional Neural Network for Nonlinear Manifold Learning
of Computational Physics Data using Unstructured Spatial Discretizations [0.0]
深部畳み込みオートエンコーダに基づく非線形多様体学習手法を提案する。
この手法は複素幾何学における物理系のモデル次数削減に適している。
論文 参考訳（メタデータ） (2020-06-11T02:19:34Z)
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。