論文の概要: Deep learning-aided inverse design of porous metamaterials

• arxiv url: http://arxiv.org/abs/2507.17907v1
• Date: Wed, 23 Jul 2025 20:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.525875
• Title: Deep learning-aided inverse design of porous metamaterials
• Title（参考訳）: 多孔質メタマテリアルの深層学習支援逆設計
• Authors: Phu Thien Nguyen, Yousef Heider, Dennis M. Kochmann, Fadi Aldakheel,
• Abstract要約: この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。 本研究では, 特性変化型オートエンコーダ (pVAE) と回帰器を付加した可変型オートエンコーダ (VAE) を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ultimate aim of the study is to explore the inverse design of porous metamaterials using a deep learning-based generative framework. Specifically, we develop a property-variational autoencoder (pVAE), a variational autoencoder (VAE) augmented with a regressor, to generate structured metamaterials with tailored hydraulic properties, such as porosity and permeability. While this work uses the lattice Boltzmann method (LBM) to generate intrinsic permeability tensor data for limited porous microstructures, a convolutional neural network (CNN) is trained using a bottom-up approach to predict effective hydraulic properties. This significantly reduces the computational cost compared to direct LBM simulations. The pVAE framework is trained on two datasets: a synthetic dataset of artificial porous microstructures and CT-scan images of volume elements from real open-cell foams. The encoder-decoder architecture of the VAE captures key microstructural features, mapping them into a compact and interpretable latent space for efficient structure-property exploration. The study provides a detailed analysis and interpretation of the latent space, demonstrating its role in structure-property mapping, interpolation, and inverse design. This approach facilitates the generation of new metamaterials with desired properties. The datasets and codes used in this study will be made open-access to support further research.
• Abstract（参考訳）: この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。 具体的には,多変量オートエンコーダ (pVAE) と回帰器を付加した変分オートエンコーダ (VAE) を開発した。 この研究は格子ボルツマン法(LBM)を用いて、限られた多孔質組織に対して固有の透過性テンソルデータを生成する一方で、畳み込みニューラルネットワーク(CNN)はボトムアップアプローチを用いて効果的な油圧特性を予測する。 これにより、直接のLBMシミュレーションと比較して計算コストが大幅に削減される。 pVAEフレームワークは、人工多孔質の微細構造の合成データセットと、実際のオープンセルフォームからの体積要素のCTスキャン画像の2つのデータセットに基づいて訓練されている。 VAEのエンコーダ・デコーダアーキテクチャは、重要なミクロ構造の特徴を捉え、それらをコンパクトで解釈可能な潜在空間にマッピングし、効率的な構造・プロパティ探索を行う。 この研究は、潜在空間の詳細な解析と解釈を提供し、構造-プロパティマッピング、補間、および逆設計におけるその役割を実証している。 このアプローチは、望ましい性質を持つ新しいメタマテリアルの生成を促進する。 この研究で使用されるデータセットとコードは、さらなる研究を支援するためにオープンアクセスされる。

関連論文リスト

• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy [0.4711628883579317]
  本稿では、探索されていない構造-プロパティ関係を持つ領域を積極的にサンプリングする、代替的な軽量好奇性アルゴリズムを提案する。 本アルゴリズムは, 構造特性予測のためのランダムサンプリングよりも優れており, 材料科学における構造-プロパティ関係を効率的にマッピングするための便利なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-28T17:31:29Z)
• A Materials Map Integrating Experimental and Computational Data via Graph-Based Machine Learning for Enhanced Materials Discovery [5.06756291053173]
  材料情報学(MI)は材料開発と発見を著しく加速すると予想されている。 MIで使用されるデータは、計算と実験の両方の研究から導かれる。 本研究では,材料特性と構造的特徴の関係を可視化する材料マップを構築するために得られたデータセットを用いた。
  論文  参考訳（メタデータ） (2025-03-10T14:31:34Z)
• 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)
• 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)
• Interpretable Mixture of Experts [71.55701784196253]
  Interpretable Mixture of Experts (IME)は本質的に解釈可能なモデリングフレームワークである。 IMEは単一の解釈可能なモデルよりも正確であることが示され、既存の最先端のDeep Neural Networks(DNN)と正確に比較できる。 IMEの説明は、ユーザスタディを通じて一般的に使われているポストホックな説明法と比較される。
  論文  参考訳（メタデータ） (2022-06-05T06:40:15Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• 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。