論文の概要: Heterogeneous Metamaterials Design via Multiscale Neural Implicit Representation

• arxiv url: http://arxiv.org/abs/2511.03012v1
• Date: Tue, 04 Nov 2025 21:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.251476
• Title: Heterogeneous Metamaterials Design via Multiscale Neural Implicit Representation
• Title（参考訳）: マルチスケールニューラルインプシット表現による異種メタマテリアル設計
• Authors: Hongrui Chen, Liwei Wang, Levent Burak Kara,
• Abstract要約: 本稿では,ニューラルネットワークを用いたメタマテリアル設計フレームワークを提案する。 本稿では, ロボット工学, バイオエンジニアリング, 航空宇宙分野への応用の可能性を考慮した, 機械的メタマテリアル設計, 負ポアソン比, 機械的詰まり問題に対する提案手法の有効性について述べる。
• 参考スコア（独自算出の注目度）: 11.08192163569233
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Metamaterials are engineered materials composed of specially designed unit cells that exhibit extraordinary properties beyond those of natural materials. Complex engineering tasks often require heterogeneous unit cells to accommodate spatially varying property requirements. However, designing heterogeneous metamaterials poses significant challenges due to the enormous design space and strict compatibility requirements between neighboring cells. Traditional concurrent multiscale design methods require solving an expensive optimization problem for each unit cell and often suffer from discontinuities at cell boundaries. On the other hand, data-driven approaches that assemble structures from a fixed library of microstructures are limited by the dataset and require additional post-processing to ensure seamless connections. In this work, we propose a neural network-based metamaterial design framework that learns a continuous two-scale representation of the structure, thereby jointly addressing these challenges. Central to our framework is a multiscale neural representation in which the neural network takes both global (macroscale) and local (microscale) coordinates as inputs, outputting an implicit field that represents multiscale structures with compatible unit cell geometries across the domain, without the need for a predefined dataset. We use a compatibility loss term during training to enforce connectivity between adjacent unit cells. Once trained, the network can produce metamaterial designs at arbitrarily high resolution, hence enabling infinite upsampling for fabrication or simulation. We demonstrate the effectiveness of the proposed approach on mechanical metamaterial design, negative Poisson's ratio, and mechanical cloaking problems with potential applications in robotics, bioengineering, and aerospace.
• Abstract（参考訳）: メタマテリアル(Metamaterials)は、天然物質以外の特別な性質を示す特別に設計された単位細胞からなる材料である。 複雑なエンジニアリングタスクは、空間的に異なる性質を満たすために不均一な単位セルを必要とすることが多い。 しかし、ヘテロジニアスなメタマテリアルの設計は、巨大な設計空間と近隣の細胞間の厳密な互換性要件のために大きな課題を生んでいる。 従来のマルチスケール設計手法では、各単位セルに対して高価な最適化問題を解く必要があり、しばしばセル境界における不連続性に悩まされる。 一方、固定されたマイクロ構造ライブラリから構造を組み立てるデータ駆動アプローチは、データセットによって制限され、シームレスな接続を保証するために追加の処理後処理が必要になる。 本研究では,ニューラルネットワークを用いたメタマテリアル設計フレームワークを提案する。 私たちのフレームワークの中心となるのは、ニューラルネットワークがグローバル(マクロスケール)とローカル(マイクロスケール)の両方の座標を入力として取り、事前に定義されたデータセットを必要とせずに、ドメイン全体で互換性のある単位セルジオメトリを持つマルチスケール構造を表現する暗黙のフィールドを出力する、マルチスケールなニューラルネットワーク表現です。 私たちは、隣接するユニットセル間の接続を強制するために、トレーニング中に互換性損失項を使用します。 トレーニングが完了すると、ネットワークは任意の高解像度でメタマテリアルデザインを作成できるため、製造やシミュレーションのための無限のアップサンプリングが可能になる。 本稿では, ロボット工学, バイオエンジニアリング, 航空宇宙分野への応用の可能性を考慮した, 機械的メタマテリアル設計, 負ポアソン比, 機械的詰まり問題に対する提案手法の有効性を実証する。

関連論文リスト

• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Populating cellular metamaterials on the extrema of attainable elasticity through neuroevolution [4.172612182606883]
  材料の異なる機械的特性間のトレードオフは、工学的材料設計における課題を提起する。 我々は、多目的最適化(MOO)問題を効率的に解くために、神経進化アルゴリズムを用いる。 本手法は多分野にわたる多種多様なメタマテリアルの計算的発見のための普遍的な枠組みとして機能する。
  論文  参考訳（メタデータ） (2024-12-15T08:18:30Z)
• 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)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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。