論文の概要: AcoustiPrint: Physics-Guided Neural Design of Manufacturable Acoustic Structures

• arxiv url: http://arxiv.org/abs/2610.30411v1
• Date: Wed, 21 Oct 2026 20:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.127353
• Title: AcoustiPrint: Physics-Guided Neural Design of Manufacturable Acoustic Structures
• Title（参考訳）: AcoustiPrint: 製造可能な音響構造の物理誘導型ニューラルネットワーク設計
• Abstract要約: 本稿では,制約付き逆設計のための物理インフォームドニューラルネットワークであるAcoustiPrintを提案する。 AcoustiPrintは、暗黙のニューラル表現(INR)を持つ3次元のジオメトリを表現し、各候補を印刷可能性演算子に渡す。 頭部形状の変形波伝搬と音響特性の患者間差異が生じる経頭蓋骨集束超音波に対するAcoustiPrintの実証実験を行った。
• 参考スコア（独自算出の注目度）: 7.181255920193306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work in additive manufacturing and neural inverse design enables the creation of complex three-dimensional structures to manipulate physical fields, yet these designs must also adhere to discrete, non-differentiable fabrication constraints. Current methods limit the design space by imposing differentiable soft manufacturability loss penalties, or by fixing structures through post-processing, causing a discrepancy between the geometry optimized by the physics model and the final fabricated result. Thus, we present AcoustiPrint, a physics-informed neural architecture for constrained inverse design that represents three-dimensional geometries with an implicit neural representation (INR) and passes each candidate through a printability operator before evaluating its final response. The printability operator executes layer-wise self-support, discrete material selection, and whole-body connectivity, assuring fabrication feasibility. To allow for backpropagation through the discrete non-differentiable operations, we use surrogate gradients for the backward pass and a self-supervised printability objective that progressively drives the INR toward a valid design domain. We demonstrate AcoustiPrint for personalized transcranial focused ultrasound, where inter-patient differences in acoustic properties and head geometry deform wave propagation and requires patient-specific acoustic focusing. AcoustiPrint jointly optimizes three-dimensional geometry and material composition through differentiable wave physics while ensuring manufacturability. Experiments show manufacturable acoustic structures with enhanced focal accuracy and over density-based and phase-based baselines, demonstrating a generalized methodology for neural design through non-differentiable manufacturing constraints and differentiable physics.
• Abstract（参考訳）: 近年の添加性製造とニューラル・インバースデザインの研究により、複雑な三次元構造が物理場を操作することができるようになったが、これらの設計は離散的で微分不可能な製造制約にも従わなければならない。 現在の手法では、微分可能なソフトマニュファクチュアビリティ損失のペナルティを課すことや、後処理によって構造を固定することにより設計空間を制限し、物理モデルによって最適化された幾何と最終的な製造結果との相違を引き起こす。 そこで我々は,制約付き逆設計のための物理インフォームド・ニューラルアーキテクチャであるAcoustiPrintについて,暗黙のニューラル表現(INR)で3次元の幾何学を表現し,各候補を印刷性演算子に渡して最終応答を評価する。 印刷性演算子は、層単位での自己支持、離散材料選択、全体接続を行い、製造可能性を保証する。 離散的非微分可能操作によるバックプロパゲーションを可能にするために、後方通過のためのサロゲート勾配と、INRを有効な設計領域に向けて段階的に駆動する自己教師付き印刷性目標を用いる。 患者間の音響特性と頭部形状の変形波伝搬の差異を考慮し,患者固有の音響焦点を必要とする,パーソナライズされた経頭蓋集束超音波のためのAcoustiPrintを実証した。 AcoustiPrintは、製造性を確保しながら、微分可能な波動物理学を通して三次元幾何学と材料組成を共同で最適化する。 実験では、焦点精度を向上し、密度ベースおよび位相ベースのベースラインを超越した製造可能な音響構造を示し、非微分不可能な製造制約と微分可能な物理学を通して、ニューラルデザインのための一般化された方法論を実証した。

関連論文リスト

• Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
  ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。 メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。 これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
  論文  参考訳（メタデータ） (2026-09-08T01:21:46Z)
• Towards end-to-end optimization in multimaterial 3D printing [0.7988715528471458]
  本稿では,有限要素トポロジ最適化と拡張されたニューラルネットワークを組み合わせたエンドツーエンドの計算フレームワークを提案する。 このパイプラインはソフトロボットグリップに展開され、高い異方性接触応答に対する連続的な組成最適化を実証している。 この手法は、先進的な多材料添加物製造のための実用的で堅牢な設計プリミティブとして解釈可能な機械学習モデルを確立し、退屈な経験的プロトタイピングを置き換える可能性がある。
  論文  参考訳（メタデータ） (2026-07-14T18:23:26Z)
• A Unified Low-Dimensional Design Embedding for Joint Optimization of Shape, Material, and Actuation in Soft Robots [4.829343342713712]
  形状変形,多材料分布,アクチュエータを統一したソフトロボットのためのスムーズで低次元な設計埋め込みを提案する。 実験では、ニューラルネットワークの符号化と異なり、基礎関数の数に応じて設計が増加することを示す。 さらに, 一体型埋め込みによる形状, 材料, アクティベーションの協調最適化は, 逐次戦略を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-03-06T17:33:32Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 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)
• Regularized interpolation in 4D neural fields enables optimization of 3D printed geometries [0.0]
  3Dプリンティングには、例外的なデザインの自由と複雑さが特徴だ。 また、その潜在能力を最大限に発揮するためには、幾何学的な欠陥やその他の欠陥も解決しなければならない。
  論文  参考訳（メタデータ） (2025-02-03T16:50:57Z)
• Data-Driven Nonlinear Deformation Design of 3D-Printable Shells [1.5088726951324294]
  本研究では,3次元プリント可能なシェルの設計・性能関係と圧縮力変位挙動を学習するための実験データに基づくニューラルネットワークを提案する。 何千もの物理的実験に基づいて、我々のネットワークは前方および逆設計の両方を補助し、所望の弾塑性および超弾性変形を示す殻を生成する。
  論文  参考訳（メタデータ） (2024-08-27T14:30:06Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• 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)

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。