論文の概要: Machine Learning Based Optimal Design of Fibrillar Adhesives

• arxiv url: http://arxiv.org/abs/2409.05928v1
• Date: Mon, 9 Sep 2024 09:26:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 21:59:49.858642
• Title: Machine Learning Based Optimal Design of Fibrillar Adhesives
• Title（参考訳）: 機械学習によるフィブリル接着剤の最適設計
• Authors: Mohammad Shojaeifard, Matteo Ferraresso, Alessandro Lucantonio, Mattia Bacca,
• Abstract要約: 甲虫、クモ、カブトムシなどの動物で観察されるフィブリル接着は、「接触分割」によって表面の接着を強化するためにナノ顕微鏡または顕微鏡的フィブリルに依存している。 近年の研究では、フィブリル物性の官能的なグレーディングは接着性を向上させることが示唆されているが、これは簡易な測地でのみ検討された複雑な設計課題である。 接着強度を最大化するためにフィブリルコンプライアンスの分布を最適化するMLベースのツールを提案する。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fibrillar adhesion, observed in animals like beetles, spiders, and geckos, relies on nanoscopic or microscopic fibrils to enhance surface adhesion via 'contact splitting.' This concept has inspired engineering applications across robotics, transportation, and medicine. Recent studies suggest that functional grading of fibril properties can improve adhesion, but this is a complex design challenge that has only been explored in simplified geometries. While machine learning (ML) has gained traction in adhesive design, no previous attempts have targeted fibril-array scale optimization. In this study, we propose an ML-based tool that optimizes the distribution of fibril compliance to maximize adhesive strength. Our tool, featuring two deep neural networks (DNNs), recovers previous design results for simple geometries and introduces novel solutions for complex configurations. The Predictor DNN estimates adhesive strength based on random compliance distributions, while the Designer DNN optimizes compliance for maximum strength using gradient-based optimization. Our method significantly reduces test error and accelerates the optimization process, offering a high-performance solution for designing fibrillar adhesives and micro-architected materials aimed at fracture resistance by achieving equal load sharing (ELS).
• Abstract（参考訳）: 甲虫、クモ、ヤモリなどの動物で観察されるフィブリルの付着は、「接触分裂」によって表面の接着を強化するためにナノスコープや顕微鏡のフィブリルに依存している。 この概念は、ロボット工学、輸送学、医学における工学的応用に影響を与えた。 近年の研究では、フィブリル物性の官能的なグレーディングは接着性を向上させることが示唆されているが、これは簡易な測地でのみ検討された複雑な設計課題である。 機械学習(ML)は接着設計において注目を集めているが、これまでの試みではフィブリルアレイスケールの最適化を目標としていなかった。 本研究では,フィブリルコンプライアンスの分布を最適化し,接着強度を最大化するMLベースのツールを提案する。 2つのディープニューラルネットワーク(DNN)を特徴とする我々のツールは、単純なジオメトリのための以前の設計結果を復元し、複雑な構成のための新しいソリューションを導入する。 予測器DNNはランダムなコンプライアンス分布に基づいて接着強度を推定し、デザイナDNNは勾配に基づく最適化を用いて最大強度のコンプライアンスを最適化する。 本手法は, 試験誤差を大幅に低減し, 最適化プロセスの高速化を図り, 等荷重共有(ELS)を達成し, フィブリル接着剤と耐破壊性を目的としたマイクロ構造材料を設計するための高性能なソリューションを提供する。

関連論文リスト

• Deep Reinforcement Learning for the Design of Metamaterial Mechanisms with Functional Compliance Control [1.3654846342364308]
  本研究では, 深部強化学習(RL)を用いた適合機構の効率的な設計手法を開発した。 FEAデータはRL法を用いて学習し、所望の機能要件に対して最適な適合機構を得る。
  論文  参考訳（メタデータ） (2024-08-08T11:18:40Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Auto-Spikformer: Spikformer Architecture Search [22.332981906087785]
  自己注意機構がスパイキングニューラルネットワーク(SNN)に統合された SpikformerのようなSNNアーキテクチャの最近の進歩は、有望な成果を示している。 最適化されたSpikformerアーキテクチャの探索を自動化する一発トランスフォーマーアーキテクチャ検索(TAS)手法であるAuto-Spikformerを提案する。
  論文  参考訳（メタデータ） (2023-06-01T15:35:26Z)
• 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)
• Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
  SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T22:59:46Z)
• PATO: Producibility-Aware Topology Optimization using Deep Learning for Metal Additive Manufacturing [2.57172274875712]
  金属添加物製造(AM)を用いて作製した部品の設計空間を効率的に探索するためのPATO-a Producibility-Aware Topology Optimization (TO) フレームワークを提案する。 我々は、深部畳み込みニューラルネットワークの現在の進歩を活用し、注意に基づくU-Netアーキテクチャに基づく高忠実な代理モデルを示し、最大せん断ひずみ指数(MSSI)を予測する。 提案手法の有効性を3次元のベンチマークと実験による検証により検証した。
  論文  参考訳（メタデータ） (2021-12-08T19:52:24Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• An even-load-distribution design for composite bolted joints using a novel circuit model and artificial neural networks [1.8472148461613158]
  最適化手法として機械学習に基づくフレームワークを提案する。 人工ネットワークのトレーニングのためのデータサンプルを生成するための新しい回路モデルが確立された。 設計空間におけるすべての入力のデータベースは、機械学習モデルを通じて構築される。
  論文  参考訳（メタデータ） (2021-05-15T10:10:47Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。