論文の概要: Generative Inverse Design of Metamaterials with Functional Responses by Interpretable Learning

• arxiv url: http://arxiv.org/abs/2401.00003v6
• Date: Wed, 30 Oct 2024 20:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:56:27.039899
• 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: ランダムフォレストに基づく解釈可能生成逆設計(RIGID)を提案する。 RIGIDは、オンデマンド機能挙動を持つメタマテリアル設計を高速に生成するための単発逆設計法である。 RIGIDの音響的・光学的メタマテリアル設計問題に対する評価を行った。
• 参考スコア（独自算出の注目度）: 3.931881794708454
• License:
• Abstract: Metamaterials with functional responses can exhibit varying properties under different conditions (e.g., wave-based responses or deformation-induced property variation). This work addresses the rapid inverse design of such metamaterials to meet target qualitative functional behaviors, a challenge due to its intractability and non-unique solutions. Unlike data-intensive and non-interpretable deep-learning-based methods, we propose the Random-forest-based Interpretable Generative Inverse Design (RIGID), a single-shot inverse design method for fast generation of metamaterial designs with on-demand functional behaviors. RIGID leverages the interpretability of a random forest-based "design$\rightarrow$response" forward model, eliminating the need for a more complex "response$\rightarrow$design" inverse model. Based on the likelihood of target satisfaction derived from the trained random forest, one can sample a desired number of design solutions using Markov chain Monte Carlo methods. We validate RIGID on acoustic and optical metamaterial design problems, each with fewer than 250 training samples. Compared to the genetic algorithm-based design generation approach, RIGID generates satisfactory solutions that cover a broader range of the design space, allowing for better consideration of additional figures of merit beyond target satisfaction. This work offers a new perspective on solving on-demand inverse design problems, showcasing the potential for incorporating interpretable machine learning into generative design under small data constraints.
• Abstract（参考訳）: 機能的応答を持つメタマテリアルは、異なる条件(例えば、波動応答や変形誘起特性変動)下で様々な特性を示すことができる。 この研究は、対象の定性的機能的振る舞いを満たすために、そのようなメタマテリアルの迅速な逆設計に対処する。 データ集約型・非解釈型深層学習法とは違って,オンデマンド機能を有するメタマテリアルデザインを高速に生成するための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。 RIGIDはランダムフォレストベースの"design$\rightarrow$response"フォワードモデルの解釈可能性を活用し、より複雑な"response$\rightarrow$design"逆モデルを必要としない。 訓練されたランダムフォレストから得られる目標満足度の確率に基づいて、マルコフ連鎖モンテカルロ法を用いて所望の数の設計解をサンプリングすることができる。 RIGIDの音響的・光学的メタマテリアル設計問題に対する評価を行った。 遺伝的アルゴリズムに基づくデザイン生成手法と比較すると、RIGIDは設計空間の広い範囲をカバーする満足なソリューションを生成し、ターゲットの満足度を超えてさらなるメリットの数値を考慮できる。 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、小さなデータ制約の下で生成設計に解釈可能な機械学習を組み込む可能性を示している。

関連論文リスト

• The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
  大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。 本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。 我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
  論文  参考訳（メタデータ） (2024-05-24T07:41:26Z)
• 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)
• Mixed Integer Neural Inverse Design [27.43272793942742]
  日常的なニューラルネットワークで非常に一般的なピースワイズ線形性は、混合整数線形プログラミングに基づく逆設計の定式化を可能にする。 我々の混合整数逆設計は、大域的最適あるいは近距離最適解を原則的に発見する。
  論文  参考訳（メタデータ） (2021-09-27T09:19:41Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• 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)
• Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal Representations [55.50218493466906]
  本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。 不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。 予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
  論文  参考訳（メタデータ） (2021-05-04T21:36:31Z)
• 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)

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。