論文の概要: CertMix: Certified, Data-Efficient Metamaterial Design by Affine Mixing of Aligned Neural-Implicit Weight Spaces

• arxiv url: http://arxiv.org/abs/2607.04123v1
• Date: Sun, 05 Jul 2026 05:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.835276
• Title: CertMix: Certified, Data-Efficient Metamaterial Design by Affine Mixing of Aligned Neural-Implicit Weight Spaces
• Title（参考訳）: CertMix: Affine Mixing of Aligned Neural-Implicit Weight Spaces (英語)
• Abstract要約: メカニカルメタマテリアルの逆設計では、均質化された弾性特性が所定の目標を満たす周期単位セルを求める。 CertMixは、各例の単位セルを小さな周期的ニューラル暗黙の場として表現するデータ効率のよいフレームワークである。 CertMixは50人まで、1000の細胞で訓練された条件生成ベースラインの約2～3桁のスケールした特性誤差を10～4ドルと達成している。
• 参考スコア（独自算出の注目度）: 6.016090674751934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse design of mechanical metamaterials seeks a periodic unit cell whose homogenized elastic properties meet a prescribed target, but current learning-based methods are data-hungry, mostly interpolative, and provide no guarantee that the generated design satisfies the specification. We introduce CertMix, a data-efficient framework that represents each exemplar unit cell as a small periodic neural implicit field, specifically a SIREN signed-distance decoder overfit from a shared anchor, so that exemplar weight vectors become aligned and directly comparable. The key observation is that, in this aligned weight space, the homogenized elasticity tensor is approximately linear in the mixing coefficients. Targeted design therefore reduces to a small constrained affine-mixing problem solved with a differentiable periodic homogenizer in the loop. Negative coefficients enable extrapolation beyond the exemplar range, a linearity-mismatch trust region keeps blends valid, and split-conformal calibration converts the mismatch signal into a distribution-free certificate on achieved-property error. From as few as 50 exemplars, CertMix attains a scaled property error of $10^{-4}$, roughly two to three orders of magnitude below conditional generative baselines trained on 1000 cells. It remains accurate far outside the exemplar range, is $57\times$ faster than per-target topology optimization while avoiding checkerboards and enclosed voids, and extends to spatially graded fields, 3D triply periodic surfaces, and a certified running-shoe midsole application.
• Abstract（参考訳）: メカニカルメタマテリアルの逆設計では、均質化された弾性特性が所定の目標を満たす周期単位セルを求めるが、現在の学習法はデータハングリーであり、主に補間的であり、生成した設計が仕様を満たす保証はない。 CertMixは、各単位セルを小さな周期的暗黙フィールド、特に共有アンカーから過度に適合するSIREN符号距離デコーダとして表現するデータ効率のよいフレームワークである。 鍵となる観察は、この配向重み空間において、均質化された弾性テンソルは混合係数においてほぼ直線的であることである。 したがって、ターゲット設計はループ内の微分可能な周期的ホモジェナイザーによって解決される小さな制約付きアフィン混合問題に還元される。 負の係数は、模範範囲を超えた外挿を可能にし、線形性ミスマッチ信頼領域は、ブレンドを有効に保ち、スプリット・コンフォーマルキャリブレーションは、未一致の信号を、達成された不整合誤差に基づいて、配布不要の証明書に変換する。 CertMixは50個の例から、1000個の細胞で訓練された条件生成ベースラインの約2～3桁のスケールした特性誤差を10^{-4}$で達成している。 従来の範囲から遠く離れており、チェッカーボードや囲いの空白を避けつつ、ターゲットごとのトポロジー最適化よりも57\times$高速で、空間的にグレードされたフィールド、三重周期面、認証されたランニングシューミッドソールアプリケーションまで拡張されている。

関連論文リスト

• Exact Degeneracy Under Balanced k-Shot Sampling:Consequences for Small-Sample Discriminant Analysis on LLM Embeddings [0.0]
  そこで本研究では,k-shotサンプリングのバランスが,小さめの判別式推定器群において,正確かつ証明可能な縮退を誘導することを示した。 次に,凍結埋込に関する少数ショットテキスト分類において,Kernelgression修復フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T08:13:54Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Exact computation of posterior distribution of mixture weights in hierarchical Bayesian models [0.0]
  本稿では,混合重量の正確な辺縁化について検討する。 重みの正確な後部はベータ分布の有限混合であることを示す。 ゲインは、この方法のために作られた小さめの体制の中で最大である。
  論文  参考訳（メタデータ） (2026-07-06T23:20:43Z)
• An Adaptive Data cleaning Framework for Noisy Label Detection [0.0]
  ディープニューラルネットワーク(DNN)は、大きな注釈付きデータセットを与えられたコンピュータビジョンタスクに優れる。 現実世界のアプリケーションでは、ラベルは曖昧さ、ヒューマンエラー、動的環境によってしばしば破損する。 本稿では, 局所的, グローバル的, 学習動的キューを統合し, 頑健な雑音・ラベル検出を実現する自己適応型データクリーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T09:32:18Z)
• Non-Vacuous Certification of Transport MCMC via Oscillation-Controlled Normalizing Flows [3.8549131582427303]
  運輸MCMCは、プレコンディションのメトロポリス-ハスティングの提案に正規化の流れを訓練する。 我々は、このようなサンプルに対して、初めて非空白で厳密なスペクトルギャップを定めている。
  論文  参考訳（メタデータ） (2026-05-31T07:46:48Z)
• From Latent Space to Training Data: Explainable Specialization in Minimal MLPs [0.47554242259005197]
  トレーニングバイアスが隠れたニューロンを最小の1つの隠れた層に特化させるかどうかを検討する。 均一にサンプリングされた1次元データセットの実験では、N = 3 から N = 100 までの安定なパターンが480個の制御されたランで示されている。
  論文  参考訳（メタデータ） (2026-05-25T15:18:22Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• 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)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Adversarial Mixing Policy for Relaxing Locally Linear Constraints in Mixup [7.272501519394588]
  Mixupは、最近のディープ分類ネットワークのレギュレータである。 本研究では,混合における局所線形制約を緩和するために,AMP(Adversarial Mixing Policy)を提案する。 AMPは、例ではなく混合係数に小さな逆摂動を加える。
  論文  参考訳（メタデータ） (2021-09-15T09:31:59Z)
• MIX'EM: Unsupervised Image Classification using a Mixture of Embeddings [44.29313588655997]
  教師なし画像分類のための新しいソリューションMIX'EMを提案する。 STL10, CIFAR10, CIFAR100-20データセットに関する広範な実験と分析を行った。 その結果,最先端の分類精度は78%,82%,44%であった。
  論文  参考訳（メタデータ） (2020-07-18T19:24:22Z)

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。