Apr, 2024

相似性等变图神经网络用于仿生材料的均质化

PDF
TL;DR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。
soft roboticssound reductionbiomedicinemachine learninggraph neural network
发现论文，激发创造
  • 同变图卷积神经网络用于各向同性均质各向异性微结构力学响应的表示

    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

  • 能量守恒的等变图神经网络用于格子构造一致性弹性材料

    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

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023

  • E (n) 等变图神经网络

    本文介绍了一种新的模型来学习具有等变性的图神经网络，称为 EGNN，此方法不需要在中间层中计算昂贵的高阶表示，同时具有竞争力或更好的性能，在 3 维空间等变性上具有比现有方法更大的伸缩性，并在动态系统建模，图自编码器中的表征学习和预测分子性质方面证明了其有效性。

    Feb, 2021

  • 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

  • 使用 E (3)- 等变图神经网络学习拉格朗日流体力学

    我们展示了等变图神经网络在工程系统机器学习领域具有优于非等变模型的学习精度，并且我们发现使用我们提出的历史嵌入方法来训练等变模型可以学习到更加准确的物理交互。

    May, 2023

  • 尺度等变图元网络

    该论文介绍了一种新兴的机器学习范式：学习高阶函数，特别是当这些函数的输入是神经网络时，尤其关注于与神经网络参数化中的排列对称性不同的扩展对称性，即缩放对称性。研究者提出了一种名为 ScaleGMNs 的框架，通过整合缩放对称性来使神经元和边的表示对于有效的缩放是等变的，并证明了它可以模拟任何输入前馈神经网络的前向和反向传递过程。实验结果表明，该方法在几个数据集和激活函数的性能上取得了领先的状态，突显了缩放对称性作为神经网络处理的一个归纳偏好的能力。

    Jun, 2024

  • 具有融合图的群同态神经网络

    本文提出使用融合图技术设计具有空间和排列对称性的神经网络，并将其应用于分子学习任务，以提高性能。

    Nov, 2022

  • 用于三维大分子结构的等变图神经网络

    应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

    Jun, 2021

  • 液体流动建模中等变和不变对称性的重要性

    本研究建立了多尺度同变 GNN 模型用于预测流体流动情况，并研究了同变和不变表示方法对模型预测的影响，结果表明使用不变量可以更准确地预测长期流体流动情况且这些不变量可以通过数据驱动编码器学习。

    May, 2023