論文の概要: Reduced-order structure-property linkages for stochastic metamaterials
- arxiv url: http://arxiv.org/abs/2505.01283v1
- Date: Fri, 02 May 2025 13:58:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-05 17:21:20.04714
- Title: Reduced-order structure-property linkages for stochastic metamaterials
- Title（参考訳）: 確率的メタマテリアルのための低次構造-不純物結合
- Authors: Hooman Danesh, Maruthi Annamaraju, Tim Brepols, Stefanie Reese, Surya R. Kalidindi,
- Abstract要約: データセット全体の0.61%ドルという小さなデータセットは、正確で堅牢な構造プロパティマップを生成するのに十分である。
不確実性に基づくアクティブラーニングフレームワークを使用して、元の完全なデータセットと比較して、非常に少ないデータポイントで代理モデルをトレーニングする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The capabilities of additive manufacturing have facilitated the design and production of mechanical metamaterials with diverse unit cell geometries. Establishing linkages between the vast design space of unit cells and their effective mechanical properties is critical for the efficient design and performance evaluation of such metamaterials. However, physics-based simulations of metamaterial unit cells across the entire design space are computationally expensive, necessitating a materials informatics framework to efficiently capture complex structure-property relationships. In this work, principal component analysis of 2-point correlation functions is performed to extract the salient features from a large dataset of randomly generated 2D metamaterials. Physics-based simulations are performed using a fast Fourier transform (FFT)-based homogenization approach to efficiently compute the homogenized effective elastic stiffness across the extensive unit cell designs. Subsequently, Gaussian process regression is used to generate reduced-order surrogates, mapping unit cell designs to their homogenized effective elastic constant. It is demonstrated that the adopted workflow enables a high-value low-dimensional representation of the voluminous stochastic metamaterial dataset, facilitating the construction of robust structure-property maps. Finally, an uncertainty-based active learning framework is utilized to train a surrogate model with a significantly smaller number of data points compared to the original full dataset. It is shown that a dataset as small as $0.61\%$ of the entire dataset is sufficient to generate accurate and robust structure-property maps.
- Abstract（参考訳）: 添加性製造の能力は、多様な単細胞ジオメトリーを持つ機械的メタマテリアルの設計と製造を容易にした。
このようなメタマテリアルの効率的な設計と性能評価には, ユニットセルの広い設計空間と有効機械的特性との結合を確立することが重要である。
しかし、設計空間全体にわたるメタマテリアルユニットセルの物理に基づくシミュレーションは計算に高価であり、複雑な構造とプロパティの関係を効率的に捉えるために材料情報フレームワークが必要である。
本研究では, 2点相関関数の主成分分析を行い, ランダムに生成された2次元メタマテリアルの大規模データセットから有意な特徴を抽出する。
物理に基づくシミュレーションは、高速フーリエ変換(FFT)に基づく均質化手法を用いて、広範囲な単位セル設計における均質化された有効弾性剛性を効率的に計算する。
その後、ガウス過程の回帰を用いて低次サロゲートを生成し、単位セルを同質化された有効弾性定数にマッピングする。
採用したワークフローにより,高価値な確率的メタマテリアルデータセットの低次元表現が可能であり,ロバストな構造固有性マップの構築が容易であることが実証された。
最後に、不確実性に基づくアクティブラーニングフレームワークを使用して、元の完全なデータセットと比較して、非常に少ないデータポイントを持つ代理モデルをトレーニングする。
データセット全体の0.61\%のデータセットは、正確で堅牢な構造プロパティマップを生成するのに十分である。
関連論文リスト
- ArtGS: Building Interactable Replicas of Complex Articulated Objects via Gaussian Splatting [66.29782808719301]
コンピュータビジョンにおいて、音声で表現されたオブジェクトを構築することが重要な課題である。
既存のメソッドは、しばしば異なるオブジェクト状態間で効果的に情報を統合できない。
3次元ガウスを柔軟かつ効率的な表現として活用する新しいアプローチであるArtGSを紹介する。
論文 参考訳（メタデータ） (2025-02-26T10:25:32Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。
指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。
デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。
本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
論文 参考訳（メタデータ） (2023-05-23T03:47:32Z) - Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文 参考訳（メタデータ） (2022-07-24T06:02:26Z) - 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) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳（メタデータ） (2020-09-30T18:18:00Z) - 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) - METASET: Exploring Shape and Property Spaces for Data-Driven
Metamaterials Design [20.272835126269374]
より小さいが多様な単細胞が、スケーラブルな検索と非バイアス学習につながることを示す。
我々のフレキシブルな方法は、採用される計量によらず、ユニークな部分集合を蒸留することができる。
私たちの多様なサブセットは、デザイナが使用するために公開されています。
論文 参考訳（メタデータ） (2020-06-01T03:36:37Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z)
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。