Jul, 2023

基于数据驱动的超材料及多尺度系统设计综述

PDF
TL;DR介绍了数据驱动设计范例这一概念，并将现有的研究分为数据获取、基于机器学习的单元格设计、数据驱动的多尺度优化三个模块进行了综述，分析比较了各个模块的优势和适用性，并探讨了模块之间的联系。
metamaterialsdata-driven designunit cell designmultiscale optimizationmachine learning
发现论文，激发创造
  • 基于梯度的计算颗粒晶体设计

    基于波动信息处理设备，通过梯度优化设计方法可以扩展多孔材料设计空间并实现机械计算。

    Apr, 2024

  • 使用数据驱动的实验设计和好校准的不确定性估计进行高维材料和工艺优化

    提出了一种利用数据驱动模型加速材料发现优化过程的方法，该方法可以指导科学家先测试最有前途的候选者，并结合不确定性分析为探索高不确定度的候选者和利用参数空间高性能区域提供建议。该方法在材料科学领域的四个测试案例表明，比随机猜测平均少三倍的实验次数就找到了最佳候选方案。

    Apr, 2017

  • 密度驱动机械超材料快速逆向设计的引导扩散

    此论文介绍了一种快速反向设计方法，利用先进的深度生成人工智能算法生成基于体素的机械超材料，该方法能够在仅 3 秒内逼近所指定的均质张量矩阵的分辨率为 $128^3$ 的微结构。该工具对于结构工程或其他机械系统具有灵活和自适应的生成能力，可以激发更多的后续研究。

    Jan, 2024

  • 编程超材料、数字超材料与编码超材料

    通过编码单元，我们提出了数字超材料的概念。通过数字超材料，可以实现对电磁波的控制和编程，具有可编程的超材料特性。数值模拟和实验都证实了这种方法的可行性。

    Jul, 2014

  • 亚表面的评估：物理和应用

    该论文综述了几种元表面的概念和应用，涵盖了从微波到可见光的波长范围，包括波前整形、波束成形、极化转换、波导和辐射控制等多个方面，并介绍了元表面用于实现活动控制和非线性响应的机会和挑战。

    May, 2016

  • 机器学习辅助光子器件的全局优化

    本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

    Jul, 2020

  • 一种全面而多功能的多模态深度学习方法，用于预测先进材料的多种性质

    通过融合物理属性和化学数据，我们提出了一个多模态深度学习框架，用于预测一种 10 维丙烯酸聚合物复合材料的物理特性。该框架可以处理 18 维的复杂性，成功预测了 114,210 种成分条件下的 913,680 个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架，并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究，并将我们更接近预测所有材料的所有属性的终极目标。

    Mar, 2023

  • 材料信息学： 一种算法设计规则

    研究论文介绍了材料信息学作为一种第四范式的材料科学研究方法，并通过应用多种神经网络拓扑结构、逻辑公理和推理信息科学，发展出了面向半导体工业的新型有机半导体发现的数据驱动程序，并为材料科学界提供了知识提取。

    May, 2023

  • 基于可微分图结构的晶体材料逆向设计模型

    为了适应深空环境的恶劣条件，拥有灵活的物理化学性质并随需改变的材料将在定义未来的太空探索中变得至关重要。本文提出了一种基于计算机图形表示的方法来设计具有所需材料属性的结构，该方法使用自动微分来调整晶格元素的几何结构和属性。

    Apr, 2023

  • LLMatDesign：基于大型语言模型的自主材料发现

    LLMatDesign 是一个基于大型语言模型的可解释材料设计框架，通过使用 LLM 代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主 LLM 引导的材料发现对于未来的自动化实验室的显著潜力。

    Jun, 2024