論文の概要: One-Shot Generative Design for Disordered Metamaterials via Self-Organizing Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2607.14475v1
• Date: Thu, 16 Jul 2026 01:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.951776
• Title: One-Shot Generative Design for Disordered Metamaterials via Self-Organizing Neural Cellular Automata
• Title（参考訳）: 自己組織型ニューラルセルオートマタによる機能不全メタマテリアルのワンショット生成設計
• Authors: Yujie Xiang, Liwei Wang,
• Abstract要約: 不規則なメタマテリアルは、固有のランダム性と不規則性を持つミクロ構造を特徴とする。 その約束にもかかわらず、混乱したマイクロ構造を設計することは、通常の構造を設計するよりもはるかに難しい。 本稿では,局所的相互作用ルールを学習し,複雑な構造を動的に成長させる生成設計フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.321828591115567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disordered metamaterials feature microstructures with inherent randomness and irregularity, enabling them to achieve broader property coverage and superior performance unavailable in their regular counterparts. Despite their promise, designing disordered microstructures is substantially harder than designing regular ones. Their design remains trapped between manual parameterizations with limited expressiveness, and generative AI that is data-hungry and struggles to generalize. To address these limitations, we propose a generative design framework based on Neural Cellular Automata that dynamically grows complex microstructures through learned local interaction rules, inspired by the self-organizing processes in natural materials. This framework requires only a single training template, yet accommodates diverse disordered microstructures and adapts to irregular domains and arbitrary discretizations. By manipulating the learned local rules, we can steer the growth process to generate microstructures unseen during training, providing control over orientation, anisotropy, and directional thickness without retraining. As a dynamic, local growth process, it naturally produces spatially varying microstructures that transition smoothly to enable location-specific mechanical properties. We demonstrate this in a multiscale mechanical cloaking design, where microstructures vary across the space to meet an optimized heterogeneous property distribution. Our design enables excellent cloaking performance without complicated post-processing and incompatible assembly common in existing methods. This data-efficient, generalizable approach opens access to previously intractable disordered materials for biomedical implants and soft robotics.
• Abstract（参考訳）: 不規則なメタマテリアルは、固有のランダム性と不規則性を持つミクロ構造を特徴とし、より広範な特性カバレッジと、通常の材料では利用できない優れた性能を実現することができる。 その約束にもかかわらず、混乱したマイクロ構造を設計することは、通常の構造を設計するよりもはるかに難しい。 彼らの設計は、表現力に制限のある手動のパラメータ化と、データ不足で一般化に苦慮する生成AIの間にいまだに閉じ込められている。 これらの制約に対処するために,自然素材の自己組織化プロセスにインスパイアされた,学習された局所的相互作用ルールを通じて複雑な微細構造を動的に成長させるニューラルセルオートマタに基づく生成設計フレームワークを提案する。 このフレームワークは、単一のトレーニングテンプレートのみを必要とするが、様々な混乱したマイクロ構造に対応し、不規則なドメインや任意の離散化に適応する。 学習した局所的なルールを操作することで、成長過程を操り、トレーニング中に目に見えない微細構造を生成し、方向、異方性、方向の厚さをトレーニングすることなく制御することができる。 動的で局所的な成長過程として、位置特異的な機械的特性を実現するために、自然に滑らかに遷移する空間的に変化する微細構造を創出する。 我々はこれをマルチスケールのメカニカル・クローキング設計で示し、そこでは、最適化されたヘテロジニアス特性分布を満たすために、空間毎にミクロ構造が変化する。 我々の設計は、複雑な後処理や既存の手法に共通する非互換なアセンブリを使わずに、優れたクローキング性能を実現する。 このデータ効率が高く、一般化可能なアプローチは、バイオメディカルインプラントやソフトロボティクスのための、以前に難解だった材料へのアクセスを開放する。

関連論文リスト

• Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-15T10:31:08Z)
• Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
  タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。 近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。 本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:09:46Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Heterogeneous Metamaterials Design via Multiscale Neural Implicit Representation [11.08192163569233]
  本稿では,ニューラルネットワークを用いたメタマテリアル設計フレームワークを提案する。 本稿では, ロボット工学, バイオエンジニアリング, 航空宇宙分野への応用の可能性を考慮した, 機械的メタマテリアル設計, 負ポアソン比, 機械的詰まり問題に対する提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2025-11-04T21:23:57Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• 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)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)
• Establishing process-structure linkages using Generative Adversarial Networks [0.0]
  本稿では,GAN(Generative Adversarial Network)を開発した。 その結果, GANモデルは, 与えられた処理条件と良好な相関性を有する高忠実度多相構造を生成できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-20T10:49:38Z)
• 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)

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。