論文の概要: MIND: Microstructure INverse Design with Generative Hybrid Neural Representation

• arxiv url: http://arxiv.org/abs/2502.02607v1
• Date: Sat, 01 Feb 2025 20:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:55.720948
• Title: MIND: Microstructure INverse Design with Generative Hybrid Neural Representation
• Title（参考訳）: MIND:生成型ハイブリッドニューラル表現を用いた組織逆設計
• Authors: Tianyang Xue, Haochen Li, Longdu Liu, Paul Henderson, Pengbin Tang, Lin Lu, Jikai Liu, Haisen Zhao, Hao Peng, Bernd Bickel,
• Abstract要約: マイクロマテリアルの逆設計は、特定の標的となる物理的特性を持つメタマテリアルを最適化する上で重要な役割を担っている。 本稿では,幾何学的特性と物理的特性を同時に符号化した,高度なハイブリッドニューラル表現であるHoloplaneと潜時拡散を統合した新しい生成モデルを提案する。 提案手法は,複数クラスにまたがって一般化され,多種多様なタイル状構造の生成が可能となり,特性精度が大幅に向上し,幾何的妥当性の制御が強化された。
• 参考スコア（独自算出の注目度）: 25.55691106041371
• License:
• Abstract: The inverse design of microstructures plays a pivotal role in optimizing metamaterials with specific, targeted physical properties. While traditional forward design methods are constrained by their inability to explore the vast combinatorial design space, inverse design offers a compelling alternative by directly generating structures that fulfill predefined performance criteria. However, achieving precise control over both geometry and material properties remains a significant challenge due to their intricate interdependence. Existing approaches, which typically rely on voxel or parametric representations, often limit design flexibility and structural diversity. In this work, we present a novel generative model that integrates latent diffusion with Holoplane, an advanced hybrid neural representation that simultaneously encodes both geometric and physical properties. This combination ensures superior alignment between geometry and properties. Our approach generalizes across multiple microstructure classes, enabling the generation of diverse, tileable microstructures with significantly improved property accuracy and enhanced control over geometric validity, surpassing the performance of existing methods. We introduce a multi-class dataset encompassing a variety of geometric morphologies, including truss, shell, tube, and plate structures, to train and validate our model. Experimental results demonstrate the model's ability to generate microstructures that meet target properties, maintain geometric validity, and integrate seamlessly into complex assemblies. Additionally, we explore the potential of our framework through the generation of new microstructures, cross-class interpolation, and the infilling of heterogeneous microstructures. The dataset and source code will be open-sourced upon publication.
• Abstract（参考訳）: マイクロマテリアルの逆設計は、特定の標的となる物理的特性を持つメタマテリアルの最適化において重要な役割を担っている。 従来のフォワード設計手法は、膨大な組合せ設計空間を探索できないことによる制約があるが、逆設計は、事前に定義された性能基準を満たす構造を直接生成することで、魅力的な代替手段を提供する。 しかし、幾何学的特性と材料的特性の両方の正確な制御を達成することは、複雑な相互依存のため重要な課題である。 既存のアプローチは通常、ボクセルやパラメトリック表現に依存し、設計の柔軟性と構造的多様性を制限している。 本研究では,幾何学的特性と物理的特性を同時に符号化した高度なハイブリッドニューラル表現であるHoloplaneと潜時拡散を統合した新しい生成モデルを提案する。 この組み合わせにより、幾何学と性質の整合性が向上する。 提案手法は複数のマイクロ構造クラスにまたがって一般化され, 多様なタイル状構造の生成が可能となり, 特性精度が向上し, 幾何的妥当性が向上し, 既存手法の性能を上回っている。 我々は, トラス, シェル, チューブ, プレート構造など, 様々な幾何学的形態を包含するマルチクラスデータセットを導入し, モデルの訓練と検証を行った。 実験により、モデルがターゲット特性を満たすマイクロ構造を生成し、幾何的妥当性を維持し、複雑なアセンブリにシームレスに統合する能力を示す。 さらに, 新たなミクロ構造の生成, クラス間補間, 異種マイクロ構造の埋没などを通じて, フレームワークの可能性を探る。 データセットとソースコードは公開時にオープンソース化される。

関連論文リスト

• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• 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)
• Smooth Like Butter: Evaluating Multi-Lattice Transitions in Property-Augmented Latent Spaces [0.0]
  本研究は,複数格子遷移領域を生成するためのハイブリッドジオメトリ/プロパティ変分オートエンコーダ(VAE)を実装し,評価する。 本研究では, ハイブリッドVAEが遷移領域を通した剛性連続性を維持する上で, 高い性能を示した。
  論文  参考訳（メタデータ） (2024-07-10T22:28:13Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
  時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。 本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。 IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
  論文  参考訳（メタデータ） (2024-03-28T23:31:25Z)
• 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)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• 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)
• Remixing Functionally Graded Structures: Data-Driven Topology Optimization with Multiclass Shape Blending [15.558093285161775]
  本稿では,多クラス関数型構造のためのデータ駆動型フレームワークを提案する。 鍵となるのは、滑らかにグレードされたマイクロ構造を生成する新しいマルチクラス形状ブレンディング方式である。 マイクロスケールの問題を、設計を事前に定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
  論文  参考訳（メタデータ） (2021-12-01T16:54:56Z)
• 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)
• Data-Driven Topology Optimization with Multiclass Microstructures using Latent Variable Gaussian Process [18.17435834037483]
  メタマテリアルの微細構造ライブラリーのための多応答潜在変数ガウス過程 (LVGP) モデルを開発した。 MR-LVGPモデルでは、混合変数の応答に対する集合的影響に基づいて、混合変数を連続的な設計空間に埋め込む。 マイクロ構造, マクロ構造に対する一貫した負荷伝達経路により, マルチクラスのマイクロ構造を考えることで, 性能の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2020-06-27T03:55:52Z)

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。