論文の概要: Physics-Guided Generative AI for Property-Targeted 3D Porous Media Design

• arxiv url: http://arxiv.org/abs/2607.24274v1
• Date: Mon, 27 Jul 2026 11:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.400438
• Title: Physics-Guided Generative AI for Property-Targeted 3D Porous Media Design
• Title（参考訳）: 物理誘導型3次元多孔質メディア設計のための生成AI
• Abstract要約: 多孔質媒体の逆設計は、濾過、エネルギー貯蔵、燃料電池、熱管理、バイオメディカルな足場などへの応用の中心である。 本稿では,多孔質メディア設計のための物理誘導型生成AI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）: 3.364230370922355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse design of three-dimensional porous media is central to applications in filtration, catalysis, energy storage, fuel cells, thermal management, and biomedical scaffolds, but remains challenging because many distinct pore geometries can share similar porosity or permeability while small structural changes can strongly affect transport behaviour. This paper proposes a physics-guided generative AI framework for property-targeted porous media design, combining a property-aware variational autoencoder, a conditional latent diffusion model, and an independently trained differentiable structure-to-property surrogate. The framework learns a compact, physically informative latent design space, generates porous structures conditioned on target porosity and directional permeability, and refines generated samples using property-level feedback during denoising and decoding. Experiments on procedurally generated structures and real micro-CT porous-media datasets show improved target-property matching, directional permeability control, and property correlation compared with representative property-aware variational-autoencoder and latent-diffusion baselines. The results demonstrate a scalable route towards controllable inverse design of complex porous geometries and establish a foundation for simulation-informed generative AI tools in engineering and advanced materials discovery.
• Abstract（参考訳）: 三次元多孔質媒体の逆設計は、濾過、触媒、エネルギー貯蔵、燃料電池、熱管理、バイオメディカルな足場などの応用の中心であるが、多くの異なる多孔質ジオメトリーが同様のポーシティや透過性を共有できる一方で、小さな構造変化は輸送行動に強く影響を与えるため、依然として困難である。 本稿では,多孔質メディア設計のための物理誘導型生成AIフレームワークを提案する。 フレームワークは、コンパクトで物理的に有意な潜在設計空間を学習し、対象の好奇性および指向性透過性に条件付けられた多孔質構造を生成し、復調および復号時に特性レベルのフィードバックを用いて生成されたサンプルを洗練する。 プロシージャ生成構造と実マイクロCT多孔質媒質データセットを用いた実験により, 目的適合性, 指向性透過性制御, 特性相関性は, 代表的特性認識変分オートコーダや潜時拡散ベースラインと比較して向上した。 その結果,複雑な多孔質地形の制御可能な逆設計へのスケーラブルな経路が示され,工学と先端材料発見におけるシミュレーションインフォームド・ジェネレーションAIツールの基礎が確立された。

関連論文リスト

• Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
  Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。 提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。 この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
  論文  参考訳（メタデータ） (2026-07-23T02:46:11Z)
• 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)
• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• Interpretable Nanoporous Materials Design with Symmetry-Aware Networks [2.8439574844683677]
  大規模ナノ多孔体構造を局所的な幾何学的部位に分解する3次元周期空間サンプリング法について報告する。 本モデルは, ガスの貯蔵, 分離, 導電性に関する特性予測のための最先端の精度とデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-09-19T12:04:26Z)
• Deep learning-aided inverse design of porous metamaterials [0.0]
  この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。 本研究では, 特性変化型オートエンコーダ (pVAE) と回帰器を付加した可変型オートエンコーダ (VAE) を開発した。
  論文  参考訳（メタデータ） (2025-07-23T20:07:53Z)
• DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers [0.6531893282486697]
  本稿では,拡散変換器と新しい代数的表現を融合した生成フレームワークであるDiffuMetaについて述べる。 このコンパクトで統一されたパラメータ化は様々なトポロジにまたがり、トランスフォーマーを構造設計に直接適用することができる。 本手法は, 学習領域を超えた線形および非線形応答を含む, 複数の機械的目的に対する同時制御を実現する。
  論文  参考訳（メタデータ） (2025-07-21T16:09:26Z)
• Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling [0.0]
  多孔質媒体の3次元微細構造は、有効拡散率や透過性を含む結果のマクロな性質に大きな影響を及ぼす。 多孔質媒体の性能を最適化するためには, 定量的構造・物性関係が重要である。 本論文は文献から得られた多孔質媒体の90,000個の仮想的な3次元微細構造を用いる。 このデータセットにハイブリッドAIフレームワークを適用することで,これらの知見を拡張した。
  論文  参考訳（メタデータ） (2025-03-27T14:46:40Z)
• 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)
• Designing Robust Transformers using Robust Kernel Density Estimation [47.494628752936165]
  異なるトランスフォーマーアーキテクチャに組み込むことができる一連の自己注意機構を導入する。 次に、言語モデリングと画像分類タスクについて広範な実証的研究を行う。
  論文  参考訳（メタデータ） (2022-10-11T21:39:52Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• 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。