論文の概要: Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators
- arxiv url: http://arxiv.org/abs/2311.13812v2
- Date: Sun, 10 Dec 2023 18:04:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 01:15:12.727402
- Title: Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators
- Title（参考訳）: ニューラルネットワークを用いた確率的構造メタマテリアルの機械的特性と逆設計
- Authors: Hanxun Jin, Enrui Zhang, Boyu Zhang, Sridhar Krishnaswamy, George Em
Karniadakis, Horacio D. Espinosa
- Abstract要約: 機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。
ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。
2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5～10%の範囲内であることが判明した。
- 参考スコア（独自算出の注目度）: 2.4918888803900727
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning (ML) is emerging as a transformative tool for the design of
architected materials, offering properties that far surpass those achievable
through lab-based trial-and-error methods. However, a major challenge in
current inverse design strategies is their reliance on extensive computational
and/or experimental datasets, which becomes particularly problematic for
designing micro-scale stochastic architected materials that exhibit nonlinear
mechanical behaviors. Here, we introduce a new end-to-end scientific ML
framework, leveraging deep neural operators (DeepONet), to directly learn the
relationship between the complete microstructure and mechanical response of
architected metamaterials from sparse but high-quality in situ experimental
data. The approach facilitates the inverse design of structures tailored to
specific nonlinear mechanical behaviors. Results obtained from spinodal
microstructures, printed using two-photon lithography, reveal that the
prediction error for mechanical responses is within a range of 5 - 10%. Our
work underscores that by employing neural operators with advanced
micro-mechanics experimental techniques, the design of complex
micro-architected materials with desired properties becomes feasible, even in
scenarios constrained by data scarcity. Our work marks a significant
advancement in the field of materials-by-design, potentially heralding a new
era in the discovery and development of next-generation metamaterials with
unparalleled mechanical characteristics derived directly from experimental
insights.
- Abstract（参考訳）: 機械学習(ML)は、設計した材料を設計するための変革的なツールとして登場し、ラボベースの試行錯誤手法によって達成可能なものを超える特性を提供する。
しかし、現在の逆設計戦略における大きな課題は、計算および/または実験的なデータセットへの依存であり、特に非線形機械的挙動を示すマイクロスケールの確率的構造材料の設計において問題となる。
本稿では,ディープニューラル演算子(deeponet)を活用した新しいエンド・ツー・エンドの科学mlフレームワークについて紹介する。
このアプローチは、特定の非線形機械的挙動に合わせた構造物の逆設計を容易にする。
2光子リソグラフィで印刷したスピノダル微細構造から得られた結果は, 機械応答の予測誤差が5～10%の範囲内にあることを明らかにした。
我々の研究は、先進的なマイクロメカニクス実験技術を用いたニューラル演算子を用いることで、データ不足に制約されたシナリオにおいても、所望の特性を持つ複雑なマイクロ構造材料の設計が実現可能であることを強調している。
我々の研究は、材料設計の分野において重要な進歩を示し、実験的な洞察から直接得られる非平行な機械的特性を持つ次世代のメタマテリアルの発見と開発における新しい時代を告げる可能性を秘めている。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials [4.759109475818876]
異種材料の機械的応答を予測する人工知能フレームワークであるMicromechanics Transformer(em Micrometer)を紹介する。
マイクロメーターは、幅広いミクロ組織にわたるマイクロスケールのひずみ場を予測する際に、最先端の性能を達成することができる。
私たちの研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩を示しています。
論文 参考訳（メタデータ） (2024-09-23T16:01:37Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳（メタデータ） (2024-03-26T16:33:12Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
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) - Parameters, Properties, and Process: Conditional Neural Generation of
Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing [1.5234614694413722]
我々は,条件付き生成対向ネットワーク(GAN)を走査型電子顕微鏡(SEM)画像に適用することにより,先行研究を構築した。
我々は, テンパと実験パラメータ, 材料特性を条件とした現実的な画像を生成する。
この研究は、製造プロセスを理解するための根本的に新しいアプローチの技術的バックボーンを形成する。
論文 参考訳（メタデータ） (2023-01-13T00:48:39Z) - Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文 参考訳（メタデータ） (2022-07-24T06:02:26Z) - 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) - Functional Nanomaterials Design in the Workflow of Building
Machine-Learning Models [0.0]
機械学習(ML)技術は、化学と材料科学の多くの研究分野に革命をもたらした。
MLは、分子/物質の組み合わせに関するより包括的な洞察を提供する。
ナノマテリアル発見の進歩の鍵は、入力指紋と出力値を定量的にリンクする方法である。
論文 参考訳（メタデータ） (2021-08-16T05:51:03Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - 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) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。