論文の概要: Physics-Guided Sequence-Based Generative Framework for Acoustic Metamaterial Inverse Design
- arxiv url: http://arxiv.org/abs/2606.09266v1
- Date: Mon, 08 Jun 2026 09:37:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.902403
- Title: Physics-Guided Sequence-Based Generative Framework for Acoustic Metamaterial Inverse Design
- Title（参考訳）: 物理誘導シーケンスに基づく音響メタマテリアル逆設計のための生成フレームワーク
- Authors: Yijie Li, Jiahao Xu, Ching-Chih Tsao, Lili Qiu, Jingxian Wang,
- Abstract要約: 音響メタマテリアル逆設計のための物理誘導型シーケンスベース生成フレームワークMetaSeqを提案する。
中心となるMetaSeqでは、各AMMをピクセルグリッドや固定テンプレートではなく、構造化シーケンスとして表現する言語を導入している。
逆設計の1対多の性質に対処するため、MetaSeqは、教師付き事前学習と、物理ベースのソルバと妥当性チェッカーによって導かれる強化学習微調整を組み合わせる。
- 参考スコア（独自算出の注目度）: 12.71024864904828
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Acoustic metamaterial (AMM) inverse design is particularly challenging for broadband target responses due to acoustic dispersion: a structure that matches the desired response at one frequency may deviate at others, and modifying geometry to improve one sub-band often perturbs neighboring sub-bands. Yet existing broadband inverse-design approaches are either constrained by predefined templates, or rely on image representations that fail to preserve the geometric precision and structural connectivity required by acoustic structures. We present MetaSeq, a physics-guided, sequence-based generative framework for acoustic metamaterial inverse design. At its core, MetaSeq introduces a language that represents each AMM as a structured sequence, rather than as a pixel grid or fixed template. This representation preserves precise geometry, explicitly encodes connectivity, and casts inverse design as a sequence-to-sequence task from target response to structure sequence. MetaSeq further constructs a balanced, high-fidelity dataset with efficient calibration and complexity-based sampling. To address the one-to-many nature of inverse design, MetaSeq combines supervised pretraining with reinforcement learning fine-tuning guided by a physics-based solver and validity checker. Extensive evaluations against COMSOL and five baselines show that MetaSeq reduces response error by 45% over the best baseline.
- Abstract（参考訳）: 音響メタマテリアル(AMM)の逆設計は、音響分散によるブロードバンドターゲット応答において特に困難であり、ある周波数で所望の応答にマッチする構造は、他の周波数で逸脱する可能性がある。
しかし、既存のブロードバンドの逆設計アプローチは、事前に定義されたテンプレートによって制約されるか、あるいは音響構造が必要とする幾何学的精度と構造的接続性を維持するのに失敗するイメージ表現に依存している。
音響メタマテリアル逆設計のための物理誘導型シーケンスベース生成フレームワークMetaSeqを提案する。
中心となるMetaSeqでは、各AMMをピクセルグリッドや固定テンプレートではなく、構造化シーケンスとして表現する言語を導入している。
この表現は正確な幾何学を保存し、接続性を明示的にエンコードし、ターゲット応答から構造シーケンスへのシーケンスタスクとして逆設計をキャストする。
MetaSeqはさらに、効率的なキャリブレーションと複雑性に基づくサンプリングを備えたバランスのとれた高忠実なデータセットを構築している。
逆設計の1対多の性質に対処するため、MetaSeqは、教師付き事前学習と、物理ベースのソルバと妥当性チェッカーによって導かれる強化学習微調整を組み合わせる。
COMSOLと5つのベースラインに対する大規模な評価は、MetaSeqが最高のベースラインに対してレスポンスエラーを45%削減していることを示している。
関連論文リスト
- RIGA-Fold: A General Framework for Protein Inverse Folding via Recurrent Interaction and Geometric Awareness [14.42786271490985]
RIGA-Foldは、リカレントインタラクションと幾何学的認識を相乗化するフレームワークである。
構造的モダリティとシーケンス的モダリティのギャップを埋めるために、強化された変種RIGA-Fold*を導入する。
我々のフレームワークは、シーケンス回復と構造的整合性の両方において、最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-04T15:07:13Z) - RAG: A Random-Forest-Based Generative Design Framework for Uncertainty-Aware Design of Metamaterials with Complex Functional Response Requirements [7.041337242678836]
R&om-forest-based Generative Approach (RAG)
RAGは高次元関数応答のデータ効率予測を可能にする。
1) 所定の部分的パスバンド/ストップバンドを有する音響メタマテリアル, 2) 標的とするスナップスルー応答を有する機械メタマテリアル。
論文 参考訳（メタデータ） (2026-01-19T17:06:12Z) - Spanning Tree Autoregressive Visual Generation [51.7635842702602]
本稿では,Spanning Tree Autoregressive (STAR) モデリングについて述べる。
論文 参考訳（メタデータ） (2025-11-21T09:45:17Z) - AI-Powered Inverse Design of Ku-Band SIW Resonant Structures by Iterative Residual Correction Network [0.0]
マルチモードSIWフィルタの逆設計のために,ディープラーニングに基づくフレームワークを開発し,検証した。
一連のSIWフィルタが設計され、製造され、実験的に評価された。
提案フレームワークは、複雑なマイクロ波フィルタの堅牢で、正確で、一般化可能な逆設計を可能にする能力を示す。
論文 参考訳（メタデータ） (2025-05-11T10:51:43Z) - Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。
Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-06-02T06:06:29Z) - Structure-aware Fine-tuning of Sequence-to-sequence Transformers for
Transition-based AMR Parsing [20.67024416678313]
我々は、一般的な事前訓練されたシーケンス・ツー・シーケンス言語モデルと構造対応のトランジション・ベース・アプローチの統合について検討する。
構造化された微調整のための事前学習言語モデルをよりよく活用するために,単純化されたトランジションセットを提案する。
提案した解析アーキテクチャは,従来の遷移に基づくアプローチの望ましい特性を維持しつつ,グラフの再分類を必要とせず,AMR 2.0の最先端技術に到達していることを示す。
論文 参考訳（メタデータ） (2021-10-29T04:36:31Z) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳（メタデータ） (2021-06-24T14:34:24Z) - Structured Reordering for Modeling Latent Alignments in Sequence
Transduction [86.94309120789396]
本稿では,分離可能な置換の辺りを正確に推定する効率的な動的プログラミングアルゴリズムを提案する。
結果のSeq2seqモデルは、合成問題やNLPタスクの標準モデルよりも体系的な一般化が優れている。
論文 参考訳（メタデータ） (2021-06-06T21:53:54Z) - Any-to-Many Voice Conversion with Location-Relative Sequence-to-Sequence
Modeling [61.351967629600594]
本稿では,非並列音声変換手法である非並列音声変換法(seq2seq)を提案する。
本手法では,ボトルネック特徴抽出器(BNE)とセック2セック合成モジュールを組み合わせる。
主観的および主観的評価は,提案手法が自然性と話者類似性の両方において優れた音声変換性能を有することを示す。
論文 参考訳（メタデータ） (2020-09-06T13:01:06Z) - Metamodel Based Forward and Inverse Design for Passive Vibration
Suppression [2.6774008509840996]
周期的メタマテリアルは、同じ単位細胞の自己複製鎖ではなく、異なる構造ブロック(細胞)から構成される構造システムを表す。
本稿では,1次元メタマテリアルシステム,すなわちドリルストリングに適用した設計自動化フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T18:11:11Z)
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。