論文の概要: Steering topology distributions for unified generative design of architected metamaterials
- arxiv url: http://arxiv.org/abs/2607.24777v1
- Date: Mon, 15 Jun 2026 14:55:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.059361
- Title: Steering topology distributions for unified generative design of architected metamaterials
- Title（参考訳）: 構造的メタマテリアルの統一的生成設計のためのステアリングトポロジー分布
- Abstract要約: 我々は、学習したトポロジを再利用可能な設計エンジンに変える統一フレームワークである生成トポロジ最適化(GenTO)を導入する。
熱的過渡化、多目的形態制御、特性目標軸受設計、振動伝達設計にまたがる設計上の問題に対して、GenTOは不均一なタスクのために事前訓練されたトポロジーを再利用する。
これらの結果は、効果的でスケーラブルなメタマテリアル設計のための統一原則として、再利用可能なトポロジー知識を確立する。
- 参考スコア（独自算出の注目度）: 23.19503494451728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Architected metamaterials derive their functions from structure, creating vast opportunities to program physical responses through topology design. However, existing design methods are often tailored to individual design problems, making limited use of topology knowledge for effective and broadly applicable design as objectives, constraints, and physical functions change. Here we introduce Generative Topology Optimization (GenTO), a unified framework that turns a learned topology prior into a reusable design engine. GenTO trains a diffusion model on a large full-order topology dataset and then iteratively steers the resulting topology distribution toward task-specific high-performing regions using user-defined physical objectives and constraints. This shifts the object of optimization from a single structure to a task-adapted topology distribution. Across topology design problems spanning thermal extremization, multi-objective morphology control, property-targeted auxetic design, and vibration transmission design, GenTO reuses pretrained topology priors for heterogeneous tasks, preserves structural diversity, and reaches high-performing solutions supported by numerical benchmarks and experimental validation. These results establish reusable topology knowledge as a unified principle for effective and scalable architected metamaterial design.
- Abstract（参考訳）: 建築されたメタマテリアルは、その機能を構造から導き出し、トポロジー設計を通じて物理応答をプログラムする広大な機会を生み出した。
しかし、既存の設計手法は個々の設計問題に適合し、目的、制約、物理的機能の変化として効果的で広く適用可能な設計にトポロジー知識を限定的に活用することが多い。
ここでは、学習したトポロジを再利用可能な設計エンジンに変換する統一フレームワークである生成トポロジ最適化(GenTO)を紹介します。
GenTOは、大きなフルオーダーのトポロジデータセット上で拡散モデルをトレーニングし、ユーザ定義の物理的目的と制約を使用して、タスク固有のハイパフォーマンスな領域へのトポロジ分布を反復的に制御する。
これにより、最適化の対象を単一の構造からタスク適応トポロジ分布にシフトする。
熱過渡化,多目的形態制御,特性目標軸受設計,振動伝達設計にまたがるトポロジー設計問題において,GenTOは不均一なタスクに対する事前学習したトポロジーを再利用し,構造的多様性を保ち,数値ベンチマークや実験的な検証によって高い性能のソリューションに到達した。
これらの結果は、効果的でスケーラブルなメタマテリアル設計のための統一原則として、再利用可能なトポロジー知識を確立する。
関連論文リスト
- \ extsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer [23.671332617828977]
大規模言語モデル(LLM)を利用したマルチエージェントシステム(MAS)が,複雑な問題解決のための強力なパラダイムとして登場した。
既存のトポロジ生成手法は主に独立したタスクを最適化するが、実際のデプロイメントには進化するタスクのストリームが含まれる。
新しいタスクに適応することで、トポロジージェネレータを以前のタスクが必要とする通信構造から切り離すことができる。
textbftextscMasFACTは、過去のコラボレーション知識を転送可能なトポロジとして保存し再利用する幾何学的に認識された後継転送フレームワークである。
論文 参考訳（メタデータ） (2026-05-17T09:58:58Z) - Learning Transferable Topology Priors for Multi-Agent LLM Collaboration Across Domains [49.97473730863181]
TopoPriorは、ドメイン間のマルチエージェントLLMコラボレーションのために、転送可能なトポロジを学習するためのフレームワークである。
TopoPriorは、オンラインの推論時間トークンの使用を減らしながら、不均一なトポロジ進化のバックボーンを継続的に改善することを示す。
論文 参考訳（メタデータ） (2026-05-17T09:55:18Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Topology-Guided Quantum GANs for Constrained Graph Generation [2.5234274237739402]
タスク固有の帰納バイアスを量子回路設計に組み込むことで、QuGANの性能を向上させることができることを示す。
統計的忠実度と幾何的制約の遵守性の両方に対する影響を評価するために, 絡み合いトポロジと損失関数設計のポートフォリオを評価した。
論文 参考訳（メタデータ） (2025-12-11T12:22:18Z) - Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation [0.9332987715848714]
大規模言語モデル(LLM)エージェントは並列に動作し、それぞれ特定の残基位置に割り当てられる。
この位置的、非集中的な調整は、多様で明確に定義されたシーケンスの創発的設計を可能にする。
提案手法は,数時間以内に効率よく客観的な設計を実現し,微調整や特殊訓練を行なわずに完全に動作させる。
論文 参考訳（メタデータ） (2025-11-27T10:42:52Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。
キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-04-23T06:29:10Z) - Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。
機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。
化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF)
既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。
トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
論文 参考訳（メタデータ） (2024-04-16T07:21:39Z) - TopoDiff: A Performance and Constraint-Guided Diffusion Model for
Topology Optimization [4.091593765662773]
TopoDiffは、性能認識および製造可能性認識トポロジー最適化のための条件付き拡散モデルに基づくアーキテクチャである。
本手法は,物理性能の平均誤差を8倍に減らし,最先端の条件付きGANを著しく向上させる。
論文 参考訳（メタデータ） (2022-08-20T03:26:00Z)
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。