論文の概要: Growth-Inspired Graph Generation and Inverse Design of Mechanical Lattices via Dot Matrices Database Augmentation and GCNN

• arxiv url: http://arxiv.org/abs/2609.29024v1
• Date: Thu, 24 Sep 2026 04:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.724209
• Title: Growth-Inspired Graph Generation and Inverse Design of Mechanical Lattices via Dot Matrices Database Augmentation and GCNN
• Title（参考訳）: 成長にインスパイアされたグラフ生成とドット行列データベースとGCNNによるメカニカル格子の逆設計
• Abstract要約: この研究は、離散ドット行列が潜在ノードを提供するメカニカル格子のためのモルフォジェネティックグラフ生成フレームワークを導入する。 異なる3次元格子のデータセットをビームベース有限要素解析により評価し,直接グラフとして表現した。 3つのグラフ畳み込み層と2つのグローバルプールを持つグラフ畳み込みニューラルネットワーク(GCNN)は、トポロジ-プロパティマッピングを学習し、効率的な圧縮剛性を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Natural load-bearing and transport networks are not assembled in a single step; they emerge through a temporally ordered process of growth, branching, reinforcement, and loop formation. Inspired by this developmental logic, this work introduces a morphogenetic graph-generation framework for mechanical lattices in which a discrete dot matrix provides potential nodes and the final architecture is created by sequential cross-layer and intra-layer growth. The same rule is visualized in two dimensions as a leaf-vein-like developmental sequence and implemented in three dimensions on a 3x3x3 nodal matrix containing 27 candidate nodes. A dataset of distinct three-dimensional lattices was evaluated by beam-based finite element analysis and represented directly as graphs. A graph convolutional neural network (GCNN) with three graph-convolution layers and dual global pooling learns the topology-property mapping and predicts effective compressive stiffness. Coupling the GCNN surrogate with rapid structural sampling enables inverse design: for a target stiffness of 1000 MPa, the selected design was predicted at 1042.43 MPa and validated by finite element analysis at 1027.49 MPa. Beyond straight members, the framework has also been extended to parameterized horseshoe-shaped curved beams made of nonlinear materials, enabling topology-geometry design toward prescribed deformation shapes. Our work provides a paradigm for augmenting the database of mechanical metamaterials, and the resulting perspective links biological morphogenesis, graph learning, and nonlinear shape programming in a unified generative design framework for architected materials.
• Abstract（参考訳）: 自然負荷と輸送ネットワークは1つのステップで組み立てられず、成長、分岐、強化、ループ形成という時間的に秩序づけられたプロセスを通して出現する。 この発展論理にインスパイアされたこの研究は、離散ドット行列が潜在ノードを提供し、最終アーキテクチャは連続的なクロス層と層内成長によって生成される、機械格子のための形態形成グラフ生成フレームワークを導入している。 同じ規則は葉菜のような発達配列の2次元で視覚化され、27の候補ノードを含む3x3x3の結節行列上に3次元で実装される。 異なる3次元格子のデータセットをビームベース有限要素解析により評価し,直接グラフとして表現した。 3つのグラフ畳み込み層と2つのグローバルプールを持つグラフ畳み込みニューラルネットワーク(GCNN)は、トポロジ-プロパティマッピングを学習し、効率的な圧縮剛性を予測する。 目標剛性1000 MPaに対して、選択された設計は1042.43 MPaで予測され、1027.49 MPaで有限要素解析によって検証された。 ストレート部材以外にも、このフレームワークは非線形材料で作られたパラメータ化されたホースシュー形状の湾曲ビームにも拡張されており、トポロジー・幾何学的形状を所定の変形形状に向けて設計することができる。 本研究は, 生体形態形成, グラフ学習, 非線形形状プログラミングを, 構造材料に統一された生成設計枠組みで結びつけることによって, メカニカルメタマテリアルのデータベースを構築するためのパラダイムを提供する。

関連論文リスト

• Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings [2.9593641578445258]
  3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロ的物理化学的記述子(Deep & Cross Network)の3つのモードを合成するパラメータ効率のよいTri-Branch Modular Fusion Networkを導入する。 100万未満のパラメータで操作すると、このアーキテクチャは決定的に準化学的精度の閾値を超え、厳密に制御された幾何学的基準に対して20.6%の削減をもたらす。
  論文  参考訳（メタデータ） (2026-07-07T01:47:44Z)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• MAVEN: A Mesh-Aware Volumetric Encoding Network for Simulating 3D Flexible Deformation [19.823720646058074]
  MAVENは3次元フレキシブルな変形をシミュレートするためのメッシュ対応ボリューム符号化ネットワークである。 幾何パターンを暗黙的に学習する負担を軽減するために、明示的な幾何学的特徴がモデルに組み込まれている。 その結果,MAVENは確立したデータセット間の最先端のパフォーマンスを一貫して達成していることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T06:53:30Z)
• Protein Graph Neural Networks for Heterogeneous Cryo-EM Reconstruction [5.264562311559749]
  異種単一粒子低温電子顕微鏡(cryo-EM)再構成のための幾何学的手法を提案する。 バックボーンをグラフとして表現し、グラフニューラルネットワーク(GNN)オートデコーダを用いて、画像ごとの潜伏変数をテンプレートコンフォメーションの3次元変位にマッピングする。
  論文  参考訳（メタデータ） (2026-02-25T13:43:52Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。