論文の概要: Populating cellular metamaterials on the extrema of attainable elasticity through neuroevolution
- arxiv url: http://arxiv.org/abs/2412.11112v1
- Date: Sun, 15 Dec 2024 08:18:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:58:58.834966
- Title: Populating cellular metamaterials on the extrema of attainable elasticity through neuroevolution
- Title（参考訳）: 神経進化による到達弾性の極端における細胞性メタマテリアルの分布
- Authors: Maohua Yan, Ruicheng Wang, Ke Liu,
- Abstract要約: 材料の異なる機械的特性間のトレードオフは、工学的材料設計における課題を提起する。
我々は、多目的最適化(MOO)問題を効率的に解くために、神経進化アルゴリズムを用いる。
本手法は多分野にわたる多種多様なメタマテリアルの計算的発見のための普遍的な枠組みとして機能する。
- 参考スコア（独自算出の注目度）: 4.172612182606883
- License:
- Abstract: The trade-offs between different mechanical properties of materials pose fundamental challenges in engineering material design, such as balancing stiffness versus toughness, weight versus energy-absorbing capacity, and among the various elastic coefficients. Although gradient-based topology optimization approaches have been effective in finding specific designs and properties, they are not efficient tools for surveying the vast design space of metamaterials, and thus unable to reveal the attainable bound of interdependent material properties. Other common methods, such as parametric design or data-driven approaches, are limited by either the lack of diversity in geometry or the difficulty to extrapolate from known data, respectively. In this work, we formulate the simultaneous exploration of multiple competing material properties as a multi-objective optimization (MOO) problem and employ a neuroevolution algorithm to efficiently solve it. The Compositional Pattern-Producing Networks (CPPNs) is used as the generative model for unit cell designs, which provide very compact yet lossless encoding of geometry. A modified Neuroevolution of Augmenting Topologies (NEAT) algorithm is employed to evolve the CPPNs such that they create metamaterial designs on the Pareto front of the MOO problem, revealing empirical bounds of different combinations of elastic properties. Looking ahead, our method serves as a universal framework for the computational discovery of diverse metamaterials across a range of fields, including robotics, biomedicine, thermal engineering, and photonics.
- Abstract（参考訳）: 材料の異なる機械的特性間のトレードオフは、硬さと硬さ、重量とエネルギー吸収能力のバランス、および様々な弾性係数の相違など、工学材料設計における基本的な課題を生んでいる。
勾配に基づくトポロジー最適化アプローチは、特定の設計や特性を見つけるのに有効であるが、メタマテリアルの広大な設計空間を探索する効率的なツールではないため、相互依存する材料特性の達成可能な境界を明らかにすることはできない。
パラメトリック設計やデータ駆動アプローチといった他の一般的な手法は、幾何学における多様性の欠如や、既知のデータから外挿することの難しさによって制限されている。
本研究では,多目的最適化(MOO)問題として,複数の競合する材料特性の同時探索を定式化し,その解法に神経進化アルゴリズムを用いる。
構成パターン生成ネットワーク (CPPN) は単位セル設計の生成モデルとして使われ、非常にコンパクトだが損失のない幾何の符号化を提供する。
改良されたNeuroevolution of Augmenting Topologies (NEAT)アルゴリズムを用いてCPPNを進化させ、MOO問題のPareto面にメタマテリアルデザインを作成し、異なる弾性特性の組み合わせの実験的境界を明らかにする。
今後, ロボット工学, バイオメディシン, 熱工学, 光工学など, 様々な分野にまたがる多種多様なメタマテリアルの発見のための普遍的な枠組みとして機能する。
関連論文リスト
- Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。
深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。
本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文 参考訳（メタデータ） (2024-10-24T03:38:51Z) - Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Differentiable graph-structured models for inverse design of lattice
materials [0.0]
異なる環境条件に適応可能な物理化学的性質を有する建築材料は、材料科学の破壊的な新しい領域を具現化している。
正規および不規則な格子材料に対するグラフベース表現を用いた新しい計算手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T18:00:21Z) - 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) - Deep learning for the rare-event rational design of 3D printed
multi-material mechanical metamaterials [0.0]
マルチマテリアル3Dプリンティング技術は、メタマテリアルの合理的設計の道を開いた。
ネットワークの結果として生じる異方性力学特性と,特に稀な設計について検討する。
ディープラーニングに基づくアルゴリズムは、異なる設計の機械的特性を正確に予測することができる。
論文 参考訳（メタデータ） (2022-04-04T18:04:23Z) - Learning the nonlinear dynamics of soft mechanical metamaterials with
graph networks [3.609538870261841]
ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。
提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
論文 参考訳（メタデータ） (2022-02-24T00:20:28Z) - 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) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z)
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。