論文の概要: UniMate: A Unified Model for Mechanical Metamaterial Generation, Property Prediction, and Condition Confirmation

• arxiv url: http://arxiv.org/abs/2506.15722v1
• Date: Thu, 05 Jun 2025 06:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.795509
• Title: UniMate: A Unified Model for Mechanical Metamaterial Generation, Property Prediction, and Condition Confirmation
• Title（参考訳）: UniMate: メカニカルメタマテリアル生成, 特性予測, 条件確認のための統一モデル
• Authors: Wangzhi Zhan, Jianpeng Chen, Dongqi Fu, Dawei Zhou,
• Abstract要約: メカニカルメタマテリアルデザインでは、典型的には3つの重要なモダリティ、すなわち3次元トポロジー、密度条件、機械的特性が関係している。 モーダルアライメントモジュールと相乗拡散生成モジュールからなる統一モデルUNIMATEを提案する。
• 参考スコア（独自算出の注目度）: 8.45290125942946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metamaterials are artificial materials that are designed to meet unseen properties in nature, such as ultra-stiffness and negative materials indices. In mechanical metamaterial design, three key modalities are typically involved, i.e., 3D topology, density condition, and mechanical property. Real-world complex application scenarios place the demanding requirements on machine learning models to consider all three modalities together. However, a comprehensive literature review indicates that most existing works only consider two modalities, e.g., predicting mechanical properties given the 3D topology or generating 3D topology given the required properties. Therefore, there is still a significant gap for the state-of-the-art machine learning models capturing the whole. Hence, we propose a unified model named UNIMATE, which consists of a modality alignment module and a synergetic diffusion generation module. Experiments indicate that UNIMATE outperforms the other baseline models in topology generation task, property prediction task, and condition confirmation task by up to 80.2%, 5.1%, and 50.2%, respectively. We opensource our proposed UNIMATE model and corresponding results at https://github.com/wzhan24/UniMate.
• Abstract（参考訳）: メタマテリアル(Meta Materials)は、超硬度や負の材料指標など、自然界の目に見えない性質を満たすように設計された人工材料である。 メカニカルメタマテリアルデザインでは、典型的には3つの重要なモダリティ、すなわち3次元トポロジー、密度条件、機械的特性が関係している。 現実世界の複雑なアプリケーションシナリオでは、機械学習モデルに要求される要件を3つのモダリティすべてにまとめて検討する。 しかしながら、包括的な文献レビューでは、既存のほとんどの研究は、例えば、3Dトポロジーが与えられたときの力学特性を予測したり、3Dトポロジーが要求されたときの3Dトポロジーを生成する場合の2つのモードしか考慮していないことが示されている。 したがって、最先端の機械学習モデルにはまだ大きなギャップがある。 そこで本研究では,モジュラリティアライメントモジュールと相乗拡散生成モジュールからなる統一モデルUNIMATEを提案する。 実験の結果、UNIMATEはトポロジ生成タスク、プロパティ予測タスク、条件確認タスクにおいて、それぞれ80.2%、5.1%、50.2%で他のベースラインモデルを上回っていることが示された。 提案したUNIMATEモデルと対応する結果はhttps://github.com/wzhan24/UniMate.comで公開しています。

関連論文リスト

• Explainable Prediction of the Mechanical Properties of Composites with CNNs [11.662972025976192]
  説明可能なAI(XAI)の手法を備えた畳み込みニューラルネットワーク(CNN)が,この問題の解決に有効であることを示す。 提案手法では, 逆張力試験を用いて生成したデータセットに基づいて学習したカスタムCNNを用いて, コンポジットの機械的特性を予測する。 次に、SHAPと統合勾配の2つのポストホックXAI法を用いて予測を説明し、CNNが合成体の挙動に影響を与える重要な幾何学的特徴を用いていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T08:54:06Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation [4.169915659794567]
  2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。 U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。 さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
  論文  参考訳（メタデータ） (2024-02-24T13:42:34Z)
• 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)
• Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation [0.6384650391969042]
  p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。 本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T09:32:15Z)
• 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)
• 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)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。