論文の概要: Learning ORDER-Aware Multimodal Representations for Composite Materials Design

• arxiv url: http://arxiv.org/abs/2602.02513v1
• Date: Fri, 23 Jan 2026 06:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.422283
• Title: Learning ORDER-Aware Multimodal Representations for Composite Materials Design
• Title（参考訳）: 複合材料設計のための学習オーダ対応マルチモーダル表現
• Authors: Xinyao Li, Hangwei Qian, Jingjing Li, Ivor Tsang,
• Abstract要約: ORDinal-aware imagE-tabulaRアライメント(ORDER)は,複合材料表現の中核原理としてオーディナリティを確立するマルチモーダル事前学習フレームワークである。 ORDERは、類似の標的特性を持つ物質が潜在空間の近傍領域を占めることを保証し、複合物性の連続的な性質を効果的に保存する。
• 参考スコア（独自算出の注目度）: 15.819480337529741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has shown remarkable success in materials discovery and property prediction, particularly for crystalline and polymer systems where material properties and structures are dominated by discrete graph representations. Such graph-central paradigm breaks down on composite materials, which possess continuous and nonlinear design spaces that lack well-defined graph structures. General composite descriptors, e.g., fiber volume and misalignment angle, cannot fully capture the fiber distributions that fundamentally determine microstructural characteristics, necessitating the integration of heterogeneous data sources through multimodal learning. Existing alignment-oriented multimodal frameworks have proven effective on abundant crystal or polymer data under discrete, unique graph-property mapping assumptions, but fail to address the highly continuous composite design space under extreme data scarcity. In this work, we introduce ORDinal-aware imagE-tabulaR alignment (ORDER), a multimodal pretraining framework that establishes ordinality as a core principle for composite material representations. ORDER ensures that materials with similar target properties occupy nearby regions in the latent space, which effectively preserves the continuous nature of composite properties and enables meaningful interpolation between sparsely observed designs. We evaluate ORDER on a public Nanofiber-enforced composite dataset and an internally curated dataset that simulates the construction of carbon fiber T700 with diverse fiber distributions. ORDER achieves consistent improvements over state-of-the-art multimodal baselines across property prediction, cross-modal retrieval, and microstructure generation tasks.
• Abstract（参考訳）: 人工知能(AI)は、材料発見と特性予測において、特に物質特性と構造が離散グラフ表現によって支配される結晶および高分子系において顕著な成功を収めている。 このようなグラフ中心のパラダイムは、適切に定義されたグラフ構造を持たない連続的かつ非線形な設計空間を持つ複合材料に分解される。 一般的なコンポジットディスクリプタ(例えば、繊維体積と配向角)は、マイクロ構造特性を根本的に決定する繊維分布を完全に把握することができず、マルチモーダル学習による異種データソースの統合が必要である。 既存のアライメント指向のマルチモーダルフレームワークは、離散的なグラフ-プロパティマッピングの仮定の下で、豊富な結晶やポリマーデータに対して有効であることが証明されているが、極度のデータ不足下では、高度に連続的な複合設計空間に対処することができない。 本稿では,ORDinal-aware imagE-tabulaRアライメント(ORDER)を紹介する。 ORDERは、類似の標的特性を持つ材料が潜在空間の近傍の領域を占有することを保証するため、合成特性の連続的な性質を効果的に保ち、スパース的に観察された設計間の有意義な補間を可能にする。 ORDERをナノファイバー強化複合データセットと内部キュレートしたデータセットで評価し, 繊維分布の異なる炭素繊維T700の構築をシミュレートした。 ORDERは、プロパティ予測、クロスモーダル検索、マイクロ構造生成タスクなど、最先端のマルチモーダルベースラインに対する一貫した改善を実現している。

関連論文リスト

• Deep learning-aided inverse design of porous metamaterials [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-23T20:07:53Z)
• Elucidating the Design Space of Multimodal Protein Language Models [69.3650883370033]
  マルチモーダルタンパク質言語モデル(PLM)は、シーケンスとトークンに基づく構造情報を統合する。 本稿では,マルチモーダルPLMの設計空間を体系的に解明し,その限界を克服する。 我々の進歩はよりきめ細かな監督にアプローチし、トークンベースのマルチモーダルPLMが堅牢な構造モデリングを実現することを実証する。
  論文  参考訳（メタデータ） (2025-04-15T17:59:43Z)
• 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)
• 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)
• Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
  本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。 このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
  論文  参考訳（メタデータ） (2024-09-04T12:26:19Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• 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)
• 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)
• Intelligent multiscale simulation based on process-guided composite database [0.0]
  本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。 我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
  論文  参考訳（メタデータ） (2020-03-20T20:39:19Z)

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。