論文の概要: Shape-morphing programming of soft materials on complex geometries via neural operator

• arxiv url: http://arxiv.org/abs/2601.11126v1
• Date: Fri, 16 Jan 2026 09:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.433465
• Title: Shape-morphing programming of soft materials on complex geometries via neural operator
• Title（参考訳）: ニューラル演算子による複雑なジオメトリー上の軟質材料の形状変形計画
• Authors: Lu Chen, Gengxiang Chen, Xu Liu, Jingyan Su, Xuhao Lyu, Lihui Wang, Yingguang Li,
• Abstract要約: 形状変形性軟質材料は、ボクセルレベルの材料分布設計により、多様な標的形態を実現することができる。 複素測地上での高忠実なモーフィング予測を可能にするスペクトル・空間ニューラル演算子(S2NO)を提案する。
• 参考スコア（独自算出の注目度）: 8.644789897985964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape-morphing soft materials can enable diverse target morphologies through voxel-level material distribution design, offering significant potential for various applications. Despite progress in basic shape-morphing design with simple geometries, achieving advanced applications such as conformal implant deployment or aerodynamic morphing requires accurate and diverse morphing designs on complex geometries, which remains challenging. Here, we present a Spectral and Spatial Neural Operator (S2NO), which enables high-fidelity morphing prediction on complex geometries. S2NO effectively captures global and local morphing behaviours on irregular computational domains by integrating Laplacian eigenfunction encoding and spatial convolutions. Combining S2NO with evolutionary algorithms enables voxel-level optimisation of material distributions for shape morphing programming on various complex geometries, including irregular-boundary shapes, porous structures, and thin-walled structures. Furthermore, the neural operator's discretisation-invariant property enables super-resolution material distribution design, further expanding the diversity and complexity of morphing design. These advancements significantly improve the efficiency and capability of programming complex shape morphing.
• Abstract（参考訳）: 形状変形性軟質材料は、ボクセルレベルの材料分布設計により、多様な標的形態を可能とし、様々な用途に有意義な可能性を秘めている。 単純なジオメトリによる基本的な形状変化設計の進歩にもかかわらず、コンフォメーション配置や空力変形のような高度な応用を達成するには、複雑なジオメトリ上での正確で多様な形状変化設計が必要である。 本稿では、複素測地上での高忠実なモーフィング予測を可能にするスペクトル・空間ニューラル演算子(S2NO)を提案する。 S2NOはラプラシア固有関数エンコーディングと空間畳み込みを統合することにより、不規則な計算領域における大域的および局所的な変形挙動を効果的に捉える。 S2NOと進化的アルゴリズムを組み合わせることで、不規則な境界形状、多孔質構造、薄肉構造を含む様々な複雑な地形上での形状変形計画のための物質分布のボクセルレベル最適化が可能になる。 さらに、ニューラル演算子の離散化不変性により、超解像材料分布設計が可能となり、モルフィング設計の多様性と複雑さがさらに拡大する。 これらの進歩により、複雑な形状変形をプログラミングする効率と能力が大幅に向上した。

関連論文リスト

• The Neural Differential Manifold: An Architecture with Explicit Geometric Structure [8.201374511929538]
  本稿では,その基本設計に幾何学的構造を明示的に組み込んだニューラルネットワークアーキテクチャであるニューラル微分マニフォールド(NDM)を紹介する。 我々は、より効率的な最適化の可能性、継続学習の強化、科学的発見と制御可能な生成モデルへの応用など、このアプローチの理論的利点を分析する。
  論文  参考訳（メタデータ） (2025-10-29T02:24:27Z)
• DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers [0.6531893282486697]
  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。
  論文  参考訳（メタデータ） (2025-07-21T16:09:26Z)
• Point Cloud Synthesis Using Inner Product Transforms [19.32588612521555]
  内部積を用いた点雲の幾何学的位相特性を符号化する新しい手法を開発した。 我々のエンコーディングは、再構成、生成、推論といった典型的なタスクにおいて、既存の手法よりも桁違いに高速な推論時間で高品質である。
  論文  参考訳（メタデータ） (2024-10-09T17:19:22Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Physics-informed neural networks for transformed geometries and manifolds [0.0]
  本稿では,幾何学的変分を頑健に適合させるために,PINN内に幾何変換を統合する新しい手法を提案する。 従来のPINNに対して,特に幾何学的変動下での柔軟性の向上を実証する。 提案したフレームワークは、パラメータ化されたジオメトリ上でのディープ・ニューラル演算子のトレーニングの展望を示す。
  論文  参考訳（メタデータ） (2023-11-27T15:47:33Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)

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。