論文の概要: Energy-conserving equivariant GNN for elasticity of lattice architected
metamaterials
- arxiv url: http://arxiv.org/abs/2401.16914v1
- Date: Tue, 30 Jan 2024 11:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:19:00.866570
- Title: Energy-conserving equivariant GNN for elasticity of lattice architected
metamaterials
- Title(参考訳): 格子構造メタマテリアルの弾性に対するエネルギー保存同値gnn
- Authors: Ivan Grega, Ilyes Batatia, G\'abor Cs\'anyi, Sri Karlapati, Vikram S.
Deshpande
- Abstract要約: 本稿では,周期的ストラット格子の剛性を予測するために,高次グラフニューラルネットワークモデルを提案する。
モデルの主な特徴は (i) SE(3) の等式と (ii) エネルギーの保存の熱力学則との整合性である。
- 参考スコア(独自算出の注目度): 2.6128355075580645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lattices are architected metamaterials whose properties strongly depend on
their geometrical design. The analogy between lattices and graphs enables the
use of graph neural networks (GNNs) as a faster surrogate model compared to
traditional methods such as finite element modelling. In this work we present a
higher-order GNN model trained to predict the fourth-order stiffness tensor of
periodic strut-based lattices. The key features of the model are (i) SE(3)
equivariance, and (ii) consistency with the thermodynamic law of conservation
of energy. We compare the model to non-equivariant models based on a number of
error metrics and demonstrate the benefits of the encoded equivariance and
energy conservation in terms of predictive performance and reduced training
requirements.
- Abstract(参考訳): 格子は幾何学的設計に強く依存するメタマテリアルである。
格子とグラフの類似により、有限要素モデリングのような従来の手法に比べて高速な代理モデルとしてグラフニューラルネットワーク(GNN)が利用できる。
本研究では,周期的ストラット格子の4次剛性テンソルを予測するために,高次GNNモデルを提案する。
モデルの主な特徴は
(i)SE(3)同値、及び
(ii)エネルギー保存の熱力学的法則との整合性。
モデルと非同変モデルを比較し, 予測性能と学習条件の低減の観点から, 符号化等分散とエネルギー保存の利点を実証する。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - Similarity Equivariant Graph Neural Networks for Homogenization of Metamaterials [3.6443770850509423]
ソフトで多孔質なメカニカルメタマテリアルは、ソフトロボティクス、音の低減、バイオメディシンに重要な応用をもたらすパターン変換を示す。
我々は、代理モデルとして機能するために好意的にスケールする機械学習ベースのアプローチを開発する。
このネットワークは、対称性の少ないグラフニューラルネットワークよりも正確で、データ効率が高いことを示す。
論文 参考訳(メタデータ) (2024-04-26T12:30:32Z) - On the Completeness of Invariant Geometric Deep Learning Models [22.43250261702209]
不変モデルは、点雲における情報的幾何学的特徴を利用して意味のある幾何学的表現を生成することができる。
最も単純なグラフグラフニューラルネットワーク(サブグラフGNN)の幾何学的対応であるGeoNGNNは、これらのコーナーケースの対称性を効果的に破ることができることを示す。
理論ツールとしてGeoNGNNを活用することで、1)従来のグラフ学習で開発されたほとんどのグラフGNNは、E(3)完全性を持つ幾何学的シナリオにシームレスに拡張できる。
論文 参考訳(メタデータ) (2024-02-07T13:32:53Z) - Stress representations for tensor basis neural networks: alternative
formulations to Finger-Rivlin-Ericksen [0.0]
有限条件下での超弾性変形材料モデリングのための様々なテンソルニューラルネットワークモデルについて検討する。
電位ベースおよび係数ベースのアプローチと異なるキャリブレーション手法を比較した。
9つの変種は、3つの異なる材料に対してノイズとノイズの無いデータセットの両方に対して試験される。
論文 参考訳(メタデータ) (2023-08-21T23:28:26Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。
既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文 参考訳(メタデータ) (2021-02-19T10:25:33Z) - Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。
このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
論文 参考訳(メタデータ) (2020-07-13T08:02:27Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。