論文の概要: Generative Inverse Design of Metamaterials with Functional Responses by
Interpretable Learning
- arxiv url: http://arxiv.org/abs/2401.00003v1
- Date: Fri, 8 Dec 2023 04:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 12:40:15.189917
- Title: Generative Inverse Design of Metamaterials with Functional Responses by
Interpretable Learning
- Title(参考訳): 解釈型学習による機能的応答をもつメタマテリアルの逆設計
- Authors: Wei "Wayne" Chen, Rachel Sun, Doksoo Lee, Carlos M. Portela, Wei Chen
- Abstract要約: 本稿では, オンデマンド機能的振る舞いを持つメタマテリアル設計の高速な生成を実現するために, ランダムフォレストに基づく解釈可能生成逆設計(RIGID)手法を提案する。
トレーニングされたフォワードモデルから得られた目標満足度の可能性に基づいて、マルコフ連鎖モンテカルロ法を用いて設計ソリューションをサンプリングすることができる。
- 参考スコア(独自算出の注目度): 4.21830347550555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metamaterials with functional responses, such as wave-based responses or
deformation-induced property variation under external stimuli, can exhibit
varying properties or functionalities under different conditions. Herein, we
aim at rapid inverse design of these metamaterials to meet target qualitative
functional behaviors. This inverse problem is challenging due to its
intractability and the existence of non-unique solutions. Past works mainly
focus on deep-learning-based methods that are data-demanding, require
time-consuming training and hyperparameter tuning, and are non-interpretable.
To overcome these limitations, we propose the Random-forest-based Interpretable
Generative Inverse Design (RIGID), a single-shot inverse design method to
achieve the fast generation of metamaterial designs with on-demand functional
behaviors. Unlike most existing methods, by exploiting the interpretability of
the random forest, we eliminate the need to train an inverse model mapping
responses to designs. Based on the likelihood of target satisfaction derived
from the trained forward model, one can sample design solutions using Markov
chain Monte Carlo methods. The RIGID method therefore functions as a generative
model that captures the conditional distribution of satisfying solutions given
a design target. We demonstrate the effectiveness and efficiency of RIGID on
both acoustic and optical metamaterial design problems where only small
datasets (less than 250 training samples) are available. Synthetic design
problems are created to further illustrate and validate the mechanism of
likelihood estimation in RIGID. This work offers a new perspective on solving
on-demand inverse design problems, showcasing the potential for incorporating
interpretable machine learning into generative design and eliminating its large
data requirement.
- Abstract(参考訳): 外部刺激下での波動応答や変形誘起特性変化などの機能的応答を持つメタマテリアルは、異なる条件下で様々な特性や機能を示すことができる。
本稿では,これらのメタマテリアルの迅速な逆設計を目標とし,定性的機能的挙動を満たそうとする。
この逆問題は、その難易度と非特異解の存在により困難である。
過去の研究は、データ要求であり、時間を要するトレーニングとハイパーパラメータチューニングを必要とし、解釈不能なディープラーニングベースの手法に重点を置いている。
これらの制約を克服するため、オンデマンド機能を有するメタマテリアル設計の高速な生成を実現するために、単一ショット逆設計法であるRandom-forest-based Interpretable Generative Inverse Design (RIGID)を提案する。
多くの既存手法とは異なり、ランダムな森林の解釈可能性を活用することにより、設計に対する逆モデルマッピング応答をトレーニングする必要がなくなる。
訓練されたフォワードモデルから得られた目標満足度に基づいて、マルコフ連鎖モンテカルロ法を用いた設計解をサンプリングすることができる。
したがって、RIGID法は、設計対象が与えられた満足解の条件分布をキャプチャする生成モデルとして機能する。
小型データセット(250以上のトレーニングサンプル)のみ利用可能な音響および光メタマテリアル設計問題において,剛性の有効性と効率を示す。
合成設計問題は、RIGIDにおける仮説推定のメカニズムをさらに説明し、検証するために作成される。
この研究は、オンデマンドの逆設計問題を解決するための新しい視点を提供し、解釈可能な機械学習を生成的設計に組み込む可能性を示し、その大きなデータ要求を排除する。
関連論文リスト
- Solving Inverse Problems with Model Mismatch using Untrained Neural
Networks within Model-based Architectures [15.896809554085973]
モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。
実験では、アーティファクトの削除と3つの異なるアプリケーションにわたる詳細の保存において、大幅な品質改善が示されている。
論文 参考訳(メタデータ) (2024-03-07T19:02:13Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Deep learning for size-agnostic inverse design of random-network 3D
printed mechanical metamaterials [11.097689467173666]
メカニカルメタマテリアルの実践的応用は、しばしば、与えられた性質の集合を生じさせる(複数の)マイクロアーキテクチャを見つけることが目的である逆問題の解決にかかわる。
本稿では,2つの深層学習モデル (DLM) と条件付き変分オートエンコーダ (CVAE) に基づく深部生成モデル (DGM) と直接有限要素シミュレーション (FE) の4つの分離モデルを組み合わせた「深部DRAM」というモジュラー手法を提案する。
論文 参考訳(メタデータ) (2022-12-22T21:32:02Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳(メタデータ) (2022-10-19T19:04:45Z) - Scalable Gaussian Processes for Data-Driven Design using Big Data with
Categorical Factors [14.337297795182181]
ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。
本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。
本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
論文 参考訳(メタデータ) (2021-06-26T02:17:23Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳(メタデータ) (2021-02-16T06:04:27Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳(メタデータ) (2021-01-07T07:33:38Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Joint learning of variational representations and solvers for inverse
problems with partially-observed data [13.984814587222811]
本稿では,教師付き環境において,逆問題に対する実際の変分フレームワークを学習するためのエンドツーエンドフレームワークを設計する。
変動コストと勾配に基づく解法はどちらも、後者の自動微分を用いたニューラルネットワークとして記述される。
これにより、データ駆動による変分モデルの発見につながる。
論文 参考訳(メタデータ) (2020-06-05T19:53:34Z)
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。