神经超材料网络用于非线性材料设计
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
本文介绍了一种机械智能和形态计算的机器学习模型,使用了可学习的细胞实体材料作为形态物质,以及神经网络控制方法来实现非直观的机械行为,并在仿真和实际测试中验证了此方法的可行性。
Jan, 2023
通过使用图神经网络作为替代模型,我们开发了一种基于机器学习的方法来准确快速地模拟软、多孔的机械变形材料以调节其机械性能,并通过预测全局物理量和模式变换来处理不同的微观结构。
Apr, 2024
提出了一种新颖的大卷积核变形材料神经网络(LMNN),通过模型重新参数化和网络压缩来最大化最先进的元件网络(MNN)的数字容量,并明确考虑了光学限制,实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。
Jul, 2023
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
应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系,该模型除了满足所有热力学约束条件外,还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息,并提供了降低正切算子所需导数阶数的策略。
Apr, 2023
本研究提供具有异性组分的材料的有效均质化模型的神经网络体系结构,通过等变和张量基础运算,满足等变性和材料对称性原则,展示了在不同纹理和相位的随机体积元数据集上,这些网络体系结构提供了显著的性能改进。
Apr, 2024
本研究探究了基于混合物理的数据驱动代理模型,利用嵌入神经网络中的组分模型中所包含的物理学知识来进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络 (PRNN) 架构,将显微模型的均质变形梯度编码为一组作为嵌入组分模型输入的变形梯度,在可预测均质应力的解码器中将这些组分模型计算的应力进行组合,以使得历史依赖性构成模型的内部变量自然地为网络提供以物理为基础的记忆。通过考虑具有横向各向同性弹性纤维和弹 - 粘塑性基质材料的单向复合显微模型,测试了替代此类显微模型的代理模型的外推性能,包括不同应变速率、循环加载和松弛过程。与原始显微模型运行时间相比,获得了三个数量级的加速。
Apr, 2024
通过图神经网络模型,基于骨杈格构造了高阶张量来预测周期性结构的刚度特征,并通过比较错误度量验证了等变性和能量守恒的优点,表明预测性能提高且训练需求减少。
Jan, 2024
通过基于图的神经网络(Graph-based neural networks)和消息传递神经网络(message-passing neural networks,MPNNs),我们训练了一个 MPNN,首先使用 AFLOW 数据库中的密度泛函理论数据对材料进行分类,区分金属和半导体 / 绝缘体。然后,我们进行了神经架构搜索,探索 MPNN 的模型架构和超参数空间,以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合,其性能明显优于现有文献中的模型。利用蒙特卡洛 Dropout 和集成方法对不确定性进行了评估,其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域,比如晶体系统、密度泛函计算中是否包含 Hubbard 参数以及构成材料的原子种类。
Sep, 2023