論文の概要: Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials
- arxiv url: http://arxiv.org/abs/2401.13570v2
- Date: Mon, 10 Jun 2024 11:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 03:59:13.484337
- Title: Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials
- Title(参考訳): 密度ベースメカニカルメタマテリアルの高速逆設計のためのガイド拡散
- Authors: Yanyan Yang, Lili Wang, Xiaoya Zhai, Kai Chen, Wenming Wu, Yunkai Zhao, Ligang Liu, Xiao-Ming Fu,
- Abstract要約: 本稿では, ボクセルをベースとしたメカニカルメタマテリアルを生成するために, コアが高度な深層生成AIアルゴリズムである高速逆設計法を提案する。
具体的には, 1283ドルの分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 特定の均質化行列にわずか3秒でアプローチする。
- 参考スコア(独自算出の注目度): 41.97258566607252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mechanical metamaterial is a synthetic material that can possess extraordinary physical characteristics, such as abnormal elasticity, stiffness, and stability, by carefully designing its internal structure. To make metamaterials contain delicate local structures with unique mechanical properties, it is a potential method to represent them through high-resolution voxels. However, it brings a substantial computational burden. To this end, this paper proposes a fast inverse design method, whose core is an advanced deep generative AI algorithm, to generate voxel-based mechanical metamaterials. Specifically, we use the self-conditioned diffusion model, capable of generating a microstructure with a resolution of $128^3$ to approach the specified homogenized tensor matrix in just 3 seconds. Accordingly, this rapid reverse design tool facilitates the exploration of extreme metamaterials, the sequence interpolation in metamaterials, and the generation of diverse microstructures for multi-scale design. This flexible and adaptive generative tool is of great value in structural engineering or other mechanical systems and can stimulate more subsequent research.
- Abstract(参考訳): メカニカルメタマテリアル(Mechanical Meta Materials)は、内部構造を慎重に設計することで、異常な弾性、剛性、安定性などの異常な物理的特性を持つ合成材料である。
メタマテリアルに独特の機械的特性を持つ微妙な局所構造を含むようにするためには、高解像度のボクセルを通してそれらを表現できる可能性がある。
しかし、これはかなりの計算負荷をもたらす。
そこで本研究では,ボクセルをベースとしたメカニカルメタマテリアルを生成するための,高度な深層生成AIアルゴリズムである高速逆設計手法を提案する。
具体的には, 128^3$の分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 指定された均質テンソル行列に3秒でアプローチする。
したがって、この高速逆設計ツールは、極端なメタマテリアルの探索、メタマテリアルのシーケンス補間、マルチスケール設計のための多様なマイクロ構造の生成を容易にする。
この柔軟で適応的な生成ツールは、構造工学や他の機械システムにおいて大きな価値があり、さらなる研究を刺激することができる。
関連論文リスト
- Machine Learning-Guided Design of Non-Reciprocal and Asymmetric Elastic Chiral Metamaterials [0.0]
本稿では, 靭帯接触角, 靭帯形状, 円半径など, キラルなメタマテリアルの設計空間を定義した。
次に、機械学習アプローチ、特にベイズ最適化を活用して、最大非相互性あるいは剛性非対称性を満たす最適な設計を行う。
この機構を解析したところ, 異なる方向の荷重下で複数の異なる接触状態を示すことができるキラルなメタマテリアルは, 高い非相反性と剛性非対称性の両方を同時に示すことができることがわかった。
論文 参考訳(メタデータ) (2024-04-19T23:39:56Z) - Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators [2.4918888803900727]
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。
論文 参考訳(メタデータ) (2023-11-23T05:23:15Z) - 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) - 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) - 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) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - 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) - 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) - 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)
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。