神经机械自编码器:学习将弹性和神经网络非线性耦合
基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务,具有快速、低功耗计算潜力,适用于边缘系统如传感器、机器人控制器和医疗设备等,并可以进行大规模制造和研究新兴学习方法。
Nov, 2023
通过深度神经网络算子(DeepONet)直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系,进而反向设计具有特定非线性力学特性的结构,该方法为设计复杂微结构材料的特性提供了可行性,即使在数据稀缺的情况下。
Nov, 2023
本文探讨了物理信息神经网络和解释性人工智能的方法,通过对机械数据的训练,使用主成分分析法解释神经网络的高维表示,并能为新材料的数值和分析闭合形式解决方案提供有力的支持。
Apr, 2021
该研究论文利用深度神经网络与 Lagrangian 力学相结合,提出一种新的加速弹性形变物体模拟的算法,通过利用复杂度有限差分和反向神经自动微分策略,解决了非线性力平衡的挑战,进一步设计了采样网络和加权网络,使得该方法更加具有普适性。
Feb, 2021
我们介绍了一种高效的机械神经网络 (MNN) 训练方法,该方法通过机械模拟的现场反向传播实现了在 MNN 中获取准确梯度信息的能力,从而成功地训练了 MNN 并实现了高精度的回归和分类任务,同时展示了 MNN 的重训练性和鲁棒性。我们的研究结果为机械机器学习硬件和自主自学材料系统铺平了道路。
Apr, 2024
本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法,说明该方法优于黑匣子模型的数据效率和模型强化学习性能,并进行了系统研究以验证该方法融入先前知识提高了其数据效率。
Feb, 2019
采用机器学习技术同化任意微观结构的有效行为已被证明不仅高效而且准确。本文结合先进的微观力学模型和机器学习技术展示了如何同化表现非线性和历史相关行为的复杂微观结构,通过所得的智能本构法(SCL)将微观信息融入有限元求解器,所需计算成本仅为传统并发多尺度方法的一小部分。本文通过引入在神经元级别强制施加材料对称性的新方法,扩展了 SCL 的能力,适用于各种神经网络架构。该方法利用基于张量的特征在神经网络中有效、准确地表示保持对称操作,且泛化性足够强以应用于超越本构模型的问题。详细介绍了构建这些基于张量的神经网络以及其在学习本构法中的应用,包括对弹性材料和非弹性材料的测试。通过对各种材料(包括各向同性的新胡克材料和张力结构格子异质材料)进行全面测试,验证了该方法在数据有限且存在强对称性的情况下优于传统神经网络的优越性。最后讨论了该方法在材料对称基础发现和未来研究方向的潜力。
Dec, 2023
本文介绍机制性神经网络,它是一种适用于科学中的机器学习应用的神经网络设计。它通过在标准架构中加入新的机制性模块,明确地学习代表物理方程的微分方程,揭示数据的基本动态,并增强数据建模的可解释性和效率。我们的方法的核心是一种新颖的放松线性规划求解器 “NeuRLP”,受到一种将线性常微分方程组化简为线性规划求解的技术的启发。这种方法与神经网络结合得很好,并超越了传统常微分方程求解器的局限,实现了可扩展的 GPU 并行处理。总的来说,机制性神经网络在科学机器学习应用中展示了它们的多样性,能够灵活处理从方程式发现到动态系统建模的任务。我们证明了它们在分析和解释各种复杂科学数据方面的全面能力,并在各个应用中展示出优于专门的最先进方法的显著性能。
Feb, 2024
控制导向的、结构保持的学习关于高维物理系统的低维近似,重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器,同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能,通过在包含数百个状态的大型质量 - 弹簧 - 阻尼网络上进行模拟和控制实验。实证结果显示,少于 5 个自由度的压缩潜在动态可以以约 4% 的相对总误差准确重构原始系统的瞬态和稳态行为,同时准确重构总能量。利用这种系统压缩技术,我们介绍了一种基于模型的控制器,利用压缩模型的数学结构来调节受强减调控机械系统的配置。
Dec, 2023