論文の概要: Generative AI for material design: A mechanics perspective from burgers to matter

• arxiv url: http://arxiv.org/abs/2604.03409v1
• Date: Fri, 03 Apr 2026 19:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.560754
• Title: Generative AI for material design: A mechanics perspective from burgers to matter
• Title（参考訳）: 材料設計のための生成AI:ハンバーガーから物質への力学的視点
• Authors: Vahidullah Tac, Ellen Kuhl,
• Abstract要約: 拡散型生成AIと計算力学は同じ原理に根ざしていることを示す。 低次元空間における材料設計のための最小限のベンチマークとして、3次元バーガーを用いてこの接続を説明する。 我々は5つの新しいハンバーガーを生産し、100人の参加者によるレストランベースの感覚調査でそれを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative artificial intelligence offers a new paradigm to design matter in high-dimensional spaces. However, its underlying mechanisms remain difficult to interpret and limit adoption in computational mechanics. This gap is striking because its core tools-diffusion, stochastic differential equations, and inverse problems-are fundamental to the mechanics of materials. Here we show that diffusion-based generative AI and computational mechanics are rooted in the same principles. We illustrate this connection using a three-ingredient burger as a minimal benchmark for material design in a low-dimensional space, where both forward and reverse diffusion admit analytical solutions: Markov chains with Bayesian inversion in the discrete case and the Ornstein-Uhlenbeck process with score-based reversal in the continuous case. We extend this framework to a high-dimensional design space with 146 ingredients and 8.9x10^43 possible configurations, where analytical solutions become intractable. We therefore learn the discrete and continuous reverse processes using neural network models that infer inverse dynamics from data. We train the models on only 2,260 recipes and generate one million samples that capture the statistical structure of the data, including ingredient prevalence and quantitative composition. We further generate five new burgers and validate them in a restaurant-based sensory study with 100 participants, where three of the AI-designed burgers outperform the classical Big Mac in overall liking, flavor, and texture. These results establish diffusion-based generative modeling as a physically grounded approach to design in high-dimensional spaces. They position generative AI as a natural extension of computational mechanics, with applications from burgers to matter, and establish a path toward data-driven, physics-informed generative design.
• Abstract（参考訳）: 生成的人工知能は、高次元空間で物質を設計するための新しいパラダイムを提供する。 しかし、その根底にあるメカニズムは、計算力学における導入の解釈と制限が難しいままである。 このギャップは、その中心となるツール拡散、確率微分方程式、逆問題(英語版)が材料の力学の基本であるため、顕著である。 ここでは拡散に基づく生成AIと計算力学が同じ原理に基づいていることを示す。 三次元バーガーを低次元空間における材料設計の最小ベンチマークとして用いて、前および逆拡散の両方が解析解を許容する: 離散の場合ベイズ反転のマルコフ連鎖と連続の場合のスコアベース反転のオルンシュタイン・ウレンベック過程である。 この枠組みを146個の材料と8.9x10^43の可能な構成を持つ高次元設計空間に拡張し,解析解を抽出しやすくする。 そこで我々は,データから逆ダイナミクスを推論するニューラルネットワークモデルを用いて,離散的かつ連続的な逆過程を学習する。 2,260のレシピでモデルをトレーニングし、成分の頻度や量的組成など、データの統計構造をキャプチャする100万のサンプルを生成します。 さらに5つの新しいバーガーを生成し、100人の参加者によるレストランベースの感覚調査を行い、AIがデザインした3つのバーガーが古典的なビッグマックよりも好き、味、テクスチャに優れています。 これらの結果は、高次元空間における設計の物理的基礎となる手法として拡散に基づく生成モデルを確立する。 彼らは、生成AIを、バーガーから物質への応用とともに、計算力学の自然な拡張として位置づけ、データ駆動で物理インフォームドな生成設計への道を確立する。

関連論文リスト

• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering [5.815650691228101]
  我々は、そのアーキテクチャ全体を通して物理と専門家の知識によって体系的に情報を得る、説明可能な、少数のAI4Eフレームワークを提示する。 私たちのアプローチは、エンジニアリングドメインの知識を直接アーキテクチャに組み込むAIシステムを開発するための青写真を提供します。
  論文  参考訳（メタデータ） (2025-11-28T06:50:29Z)
• Next Generation Equation-Free Multiscale Modelling of Crowd Dynamics via Machine Learning [0.0]
  本稿では,潜在空間における創発的群運動に対する離散的進化演算子を学習するために,多様体と機械学習を組み合わせた手法を提案する。 提案するフレームワークは,高次元マルチスケールシステムのサロゲートモデルを学習するための方程式フリーアルゴリズムに関するこれまでの研究に基づいている。
  論文  参考訳（メタデータ） (2025-08-05T21:39:18Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Voltage-Controlled Magnetoelectric Devices for Neuromorphic Diffusion Process [16.860757640432897]
  我々は、ニューロモルフィック拡散プロセスのためのスピントロニック電圧制御磁気メモリハードウェアを開発した。 磁気メモリの非揮発性により,高速かつ低コストな計算が可能となる。
  論文  参考訳（メタデータ） (2024-07-17T02:14:22Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Characterizing the Latent Space of Molecular Deep Generative Models with Persistent Homology Metrics [21.95240820041655]
  変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。 本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-18T13:33:02Z)

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。