論文の概要: Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites

• arxiv url: http://arxiv.org/abs/2607.13688v1
• Date: Wed, 15 Jul 2026 10:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.744781
• Title: Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites
• Title（参考訳）: マイセリウム複合材料のグレード・マルチスケール最適化のための微細構造制御型サロゲートモデル
• Abstract要約: 持続可能な材料は、その特性と機械的挙動の制御を達成するために、エンジニアリングされた階層構造とミクロ構造にますます依存している。 マイクロスケールのためのデータ駆動サロゲートモデルは、マルチスケールシミュレーションを加速することができるが、固定されたマイクロ構造であっても大量のデータを必要とする。 本手法は, マイセリウム-木質複合材料におけるマルチスケール機械的挙動の正確な予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emerging sustainable materials increasingly rely on engineered hierarchy and microstructure to achieve control of their properties and mechanical behavior. Optimizing these materials with controllable microstructures requires efficient multiscale simulations. Data-driven surrogate models for the microscale can accelerate multiscale simulations, but require large amounts of data even for a fixed microstructure. When a range of microstructures is considered, as is the case in multiscale optimization, even more data is needed to train a surrogate. To overcome this challenge, we condition a hybrid physics-data surrogate on microstructural variables using a hypernetwork. This approach enables accurate predictions of multiscale mechanical behavior for a mycelium-woodchip composite material, even when trained on small datasets. The conditioned surrogate makes multiscale simulations of functionally graded structures tractable, and we validate it against a full FE^2 simulation. We optimize a graded multiscale disk, and reduce the peak stress by 42% compared to one with a random microstructure. Then, we go one step further, conditioning the network directly on manufacturing variables that can have a complex influence on the microstructure. This is a practical route to engineer the microscale for desired macroscale behavior. This contribution highlights the benefits of microarchitectured structures and demonstrates how conditioned surrogate models enable their multiscale optimization, which will accelerate the development and design of future sustainable materials and structures.
• Abstract（参考訳）: 持続可能な材料は、その特性と機械的挙動の制御を達成するために、エンジニアリングされた階層構造とミクロ構造にますます依存している。 これらの材料を制御可能なマイクロ構造で最適化するには、効率的なマルチスケールシミュレーションが必要である。 マイクロスケールのためのデータ駆動サロゲートモデルは、マルチスケールシミュレーションを加速することができるが、固定されたマイクロ構造であっても大量のデータを必要とする。 マルチスケール最適化の場合と同様に、様々なマイクロ構造が考慮されている場合、サロゲートのトレーニングにはさらに多くのデータが必要である。 この課題を克服するために、ハイパーネットワークを用いて、マイクロ構造変数にハイブリッド物理データサロゲートを配置する。 このアプローチは、小さなデータセットでトレーニングしても、菌糸体-木質複合材料に対するマルチスケールの機械的挙動の正確な予測を可能にする。 条件付きサロゲートは機能的に階調された構造のマルチスケールシミュレーションが可能であり,完全なFE^2シミュレーションに対して検証する。 本研究では, マルチスケールディスクのグレードを最適化し, ランダムなマイクロ構造に比べてピーク応力を42%削減する。 そして、さらに一歩進めて、ネットワークをマイクロ構造に複雑な影響を与える製造変数に直接条件付けする。 これは、望まれるマクロスケールの振る舞いのためにマイクロスケールを設計する実践的な方法である。 この貢献は、マイクロ構造構造の利点を強調し、条件付きサロゲートモデルがマルチスケールの最適化を可能にし、将来の持続可能な材料や構造の開発と設計を加速することを示す。

関連論文リスト

• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Machine learning of microstructure--property relationships in materials leveraging microstructure representation from foundational vision transformers [0.0]
  マイクロストラクチャーの機械学習-データからのプロパティ関係は、計算材料科学における新たなアプローチである。 本稿では,タスクに依存しないマイクロ構造特徴の抽出に,事前訓練された基礎視覚変換器を提案する。
  論文  参考訳（メタデータ） (2025-01-28T17:06:47Z)
• 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)
• A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations [0.0]
  本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。 我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。 本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-20T15:54:24Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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。