Nov, 2023

随机构造介质材料的机械特性和反向设计研究使用神经运算器

PDF
TL;DR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。
machine learningarchitected materialsdeep neural operatorsmicrostructuremechanical response
发现论文，激发创造
  • 神经超材料网络用于非线性材料设计

    本文提出了神经介质网络（NMN）作为一种平滑的神经表示，用于编码整个介质材料家族的非线性力学特性，并将逆材料设计作为一种非线性规划问题进行阐述。

    Sep, 2023

  • 一个基于深度生成模型和半监督学习策略的超材料的概率表示和逆向设计

    采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光子学研究领域中加速设计、表征和新发现的全面有效的工具。

    Jan, 2019

  • 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

  • 神经机械自编码器：学习将弹性和神经网络非线性耦合

    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

  • 基于扩散概率模型的高精度高自由度超材料逆向设计

    本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

    Apr, 2023

  • 大核心超材料神经网络的数字建模

    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

  • 全电介质超表面反向设计的神经 - 共轭方法

    本文介绍一种基于神经 - 权值方法的深度学习方案，用于更加精确高效的设计以实现目标频率依赖散射效果的增加几何复杂度的全电介质超表面，并且证明该方法不仅适用于本文中的案例，同时适用于等离子体学、光子晶体带隙材料和其他结构化材料系统。

    Dec, 2020

  • 机器学习引导的非互易和非对称弹性手性超材料设计

    利用机器学习方法，本文首先定义了几个手性超材料的设计空间，然后通过贝叶斯优化确定了在每个设计空间内性能最佳的结构，最后通过多目标优化找到了同时表现出高非对称性和刚度非对称性的手性超材料。总体而言，本研究证明了将机器学习应用于具有有限先验信息的新领域的有效性，同时为具备独特特性和功能的超材料在引导机械波能量方面铺平了道路。

    Apr, 2024

  • 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

  • 无处理器的机器学习：非线性电子超材料中的新兴学习

    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