論文の概要: DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers

• arxiv url: http://arxiv.org/abs/2507.15753v1
• Date: Mon, 21 Jul 2025 16:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.473444
• Title: DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers
• Title（参考訳）: DiffuMeta:拡散変換器を用いたメタマテリアルの逆設計のための代数言語モデル
• Authors: Li Zheng, Siddhant Kumar, Dennis M. Kochmann,
• Abstract要約: 本稿では,拡散変換器と新しい代数的表現を融合した生成フレームワークであるDiffuMetaについて述べる。 このコンパクトで統一されたパラメータ化は様々なトポロジにまたがり、トランスフォーマーを構造設計に直接適用することができる。 本手法は, 学習領域を超えた線形および非線形応答を含む, 複数の機械的目的に対する同時制御を実現する。
• 参考スコア（独自算出の注目度）: 0.6531893282486697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative machine learning models have revolutionized material discovery by capturing complex structure-property relationships, yet extending these approaches to the inverse design of three-dimensional metamaterials remains limited by computational complexity and underexplored design spaces due to the lack of expressive representations. Here, we present DiffuMeta, a generative framework integrating diffusion transformers with a novel algebraic language representation, encoding 3D geometries as mathematical sentences. This compact, unified parameterization spans diverse topologies while enabling direct application of transformers to structural design. DiffuMeta leverages diffusion models to generate novel shell structures with precisely targeted stress-strain responses under large deformations, accounting for buckling and contact while addressing the inherent one-to-many mapping by producing diverse solutions. Uniquely, our approach enables simultaneous control over multiple mechanical objectives, including linear and nonlinear responses beyond training domains. Experimental validation of fabricated structures further confirms the efficacy of our approach for accelerated design of metamaterials and structures with tailored properties.
• Abstract（参考訳）: しかし、これらのアプローチを3次元メタマテリアルの逆設計に拡張することは、表現的表現の欠如による計算複雑性と未探索デザイン空間によって制限されている。 本稿では,拡散変換器と新しい代数的表現を融合した生成フレームワークであるDiffuMetaについて述べる。 このコンパクトで統一されたパラメータ化は様々なトポロジにまたがり、トランスフォーマーを構造設計に直接適用することができる。 DiffuMetaは拡散モデルを利用して、多様な解を生成することで固有の一対多マッピングに対処しながら、座屈と接触を考慮し、大きな変形の下で正確に目標とする応力-ひずみ応答を持つ新しいシェル構造を生成する。 本手法は, 学習領域を超えた線形および非線形応答を含む, 複数の機械的目的に対する同時制御を実現する。 造形構造物の実験的検証により, メタマテリアル・構造物の高速設計における提案手法の有効性が検証された。

関連論文リスト

• Toward a Robust and Generalizable Metamaterial Foundation Model [3.0049721990828084]
  ベイズ変圧器をベースとした大規模言語モデルであるメタマテリアル基礎モデル(MetaFO)を紹介する。 メタマテリアルを、材料特性を構造応答にマッピングする演算子として扱うことにより、メタフォは複雑な構造とプロパティの関係を明らかにする。 このスケーラブルで一般化可能なフレームワークは、AI駆動メタマテリアル発見のパラダイムシフトであり、次世代のイノベーションへの道を開くものだ。
  論文  参考訳（メタデータ） (2025-07-03T08:48:36Z)
• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• MIND: Microstructure INverse Design with Generative Hybrid Neural Representation [25.55691106041371]
  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。
  論文  参考訳（メタデータ） (2025-02-01T20:25:47Z)
• 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)
• Nonlinear Inverse Design of Mechanical Multi-Material Metamaterials Enabled by Video Denoising Diffusion and Structure Identifier [2.624762732763203]
  本稿では非線形応力-ひずみ応答に基づく逆多材料設計のための新しい枠組みを提案する。 複数の材料, 塑性, 大変形を組み込むことで, メタマテリアルの高非線形力学的挙動の制御を高度化することができる。
  論文  参考訳（メタデータ） (2024-09-20T21:26:15Z)
• 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)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• 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)
• 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)

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。