論文の概要: Neural Metamaterial Networks for Nonlinear Material Design

• arxiv url: http://arxiv.org/abs/2309.10600v1
• Date: Fri, 15 Sep 2023 13:50:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 14:23:56.343120
• Title: Neural Metamaterial Networks for Nonlinear Material Design
• Title（参考訳）: 非線形材料設計のためのニューラルネットワーク
• Authors: Yue Li, Stelian Coros, Bernhard Thomaszewski
• Abstract要約: メタマテリアルネットワーク - メタマテリアルファミリー全体の非線形力学を符号化する神経表現を提案する。 本手法は, 所望のひずみ応力曲線, 所定の方向剛性, ポアソン比プロファイルを有する材料を自動設計する。
• 参考スコア（独自算出の注目度）: 29.65492571110993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonlinear metamaterials with tailored mechanical properties have applications in engineering, medicine, robotics, and beyond. While modeling their macromechanical behavior is challenging in itself, finding structure parameters that lead to ideal approximation of high-level performance goals is a challenging task. In this work, we propose Neural Metamaterial Networks (NMN) -- smooth neural representations that encode the nonlinear mechanics of entire metamaterial families. Given structure parameters as input, NMN return continuously differentiable strain energy density functions, thus guaranteeing conservative forces by construction. Though trained on simulation data, NMN do not inherit the discontinuities resulting from topological changes in finite element meshes. They instead provide a smooth map from parameter to performance space that is fully differentiable and thus well-suited for gradient-based optimization. On this basis, we formulate inverse material design as a nonlinear programming problem that leverages neural networks for both objective functions and constraints. We use this approach to automatically design materials with desired strain-stress curves, prescribed directional stiffness and Poisson ratio profiles. We furthermore conduct ablation studies on network nonlinearities and show the advantages of our approach compared to native-scale optimization.
• Abstract（参考訳）: 機械的特性を調整した非線形メタマテリアルは、工学、医学、ロボット工学などに応用されている。 マクロメカニカルな振る舞い自体をモデル化することは難しいが、高いレベルのパフォーマンス目標の理想的な近似につながる構造パラメータを見つけることは難しい課題である。 本研究では,全メタマテリアルファミリーの非線形力学を符号化したスムーズなニューラル表現であるニューラルメタマテリアルネットワーク(NMN)を提案する。 入力として構造パラメータが与えられた場合、NMNは連続的に微分可能なひずみエネルギー密度関数を返す。 シミュレーションデータに基づいて訓練されたものの、NMNは有限要素メッシュのトポロジ的変化による不連続性を継承しない。 その代わり、パラメータからパフォーマンス空間への滑らかな写像が完全に微分可能で、勾配に基づく最適化に適している。 そこで我々は,ニューラルネットワークを目的関数と制約の両方に活用する非線形プログラミング問題として,逆材料設計を定式化する。 本手法は, 所望のひずみ応力曲線, 所定の方向剛性, ポアソン比プロファイルを有する材料を自動設計する。 さらに,ネットワーク非線形性に関するアブレーション研究を行い,本手法の利点をネイティブスケール最適化と比較した。

関連論文リスト

• Differentiable Neural-Integrated Meshfree Method for Forward and Inverse Modeling of Finite Strain Hyperelasticity [1.290382979353427]
  本研究では,新しい物理インフォームド機械学習手法,特にニューラル積分メッシュフリー(NIM)法を拡張し,有限ひずみ問題をモデル化することを目的とする。 固有の微分可能プログラミング機能のおかげで、NIMは変分形式のニュートン・ラフソン線形化の導出を回避できる。 NIMはひずみデータから超弾性材料の不均一力学特性を同定し, 非線形材料の逆モデリングにおけるその有効性を検証する。
  論文  参考訳（メタデータ） (2024-07-15T19:15:18Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Gaussian Process Neural Additive Models [3.7969209746164325]
  ランダムフーリエ特徴を用いたガウス過程の単一層ニューラルネットワーク構築を用いたニューラル付加モデル(NAM)の新たなサブクラスを提案する。 GP-NAMは凸目的関数と、特徴次元と線形に成長する訓練可能なパラメータの数が有利である。 GP-NAMは,パラメータ数を大幅に削減して,分類タスクと回帰タスクの両方において,同等あるいはより優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-19T20:29:34Z)
• SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems [0.0]
  本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。 目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
  論文  参考訳（メタデータ） (2023-09-27T06:34:55Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Optimization-Induced Graph Implicit Nonlinear Diffusion [64.39772634635273]
  我々はGIND(Graph Implicit Diffusion)と呼ばれる新しいグラフ畳み込み変種を提案する。 GINDは暗黙的に隣人の無限のホップにアクセスでき、非線型拡散を伴う特徴を適応的に集約することで過度な平滑化を防いでいる。 学習された表現は、明示的な凸最適化目標の最小化として定式化できることを示す。
  論文  参考訳（メタデータ） (2022-06-29T06:26:42Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• 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)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Topology optimization of 2D structures with nonlinearities using deep learning [0.0]
  クラウドコンピューティングは最適な非線形構造を探索することを可能にする。 最適化設計を予測するための畳み込みニューラルネットワークモデルを開発した。 開発したモデルは、反復的なスキームを必要とせずに、最適化された設計を正確に予測することができる。
  論文  参考訳（メタデータ） (2020-01-31T12:36:17Z)

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。