論文の概要: Energy-conserving equivariant GNN for elasticity of lattice architected metamaterials
- arxiv url: http://arxiv.org/abs/2401.16914v2
- Date: Wed, 20 Mar 2024 10:37:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 21:48:20.108450
- Title: Energy-conserving equivariant GNN for elasticity of lattice architected metamaterials
- Title(参考訳): 格子状メタマテリアルの弾性に対するエネルギー保存同変GNN
- Authors: Ivan Grega, Ilyes Batatia, Gábor Csányi, Sri Karlapati, Vikram S. Deshpande,
- Abstract要約: 我々は、ストラットベースの格子に対する構造-プロパティ関係の大きなデータセットを生成する。
データセットはコミュニティで利用でき、物理的な原則に固定されたメソッドの開発を促進することができる。
このデータセットでトレーニングした高階GNNモデルを提案する。
- 参考スコア(独自算出の注目度): 3.7852720324045444
- 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 generate a big dataset of structure-property relationships for strut-based lattices. The dataset is made available to the community which can fuel the development of methods anchored in physical principles for the fitting of fourth-order tensors. In addition, we present a higher-order GNN model trained on this dataset. 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 its benefits in terms of predictive performance and reduced training requirements. Finally, we demonstrate an example application of the model to an architected material design task. The methods which we developed are applicable to fourth-order tensors beyond elasticity such as piezo-optical tensor etc.
- Abstract(参考訳): 格子は構造的メタマテリアルであり、その性質は幾何学的設計に強く依存している。
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, ストラット型格子に対する構造固有性関係の大規模データセットを生成する。
このデータセットはコミュニティで利用でき、4階テンソルのフィッティングのための物理原理で固定されたメソッドの開発を促進することができる。
さらに、このデータセットに基づいて訓練された高次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)エネルギーの保存の熱力学則との整合性。
モデルと非同変モデルを比較し、予測性能とトレーニング要件の低減の観点から、その利点を実証する。
最後に,設計した材料設計タスクへのモデルの適用例を示す。
私たちが開発した手法は、圧電光学テンソルなどの弾性を超える4階テンソルに適用できる。
関連論文リスト
- 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 [24.505897569096476]
不変モデルは、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。
我々は,GeoNGNNという名前のVanilla DisGNNをネストすることで,E(3)完全不変設計を導入する。
我々の結果は不変モデルの理論的パワーのギャップを埋め、その能力の厳密で包括的な理解に寄与する。
論文 参考訳(メタデータ) (2024-02-07T13:32:53Z) - Predicting and Interpreting Energy Barriers of Metallic Glasses with
Graph Neural Networks [43.26868436093931]
グラフニューラルネットワーク(GNN)を用いて、原子グラフ構造をモデル化し、その構造と対応する局所エネルギー障壁との間の接続を研究する。
我々の重要な貢献の一つは、エネルギー障壁を予測するための新しいSymmetrized GNN(SymGNN)モデルを提案することである。
我々はSymGNNが他のGNNや非グラフ機械学習モデルよりもエネルギー障壁予測を大幅に改善できることを実験で実証した。
論文 参考訳(メタデータ) (2023-12-08T04:27:11Z) - 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) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - 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。