- 演化基因规划树模型用于预测绿色纤维力学性能,以改进生物复合材料
使用创新的进化遗传程序树模型,基于多种固有的化学和物理特性,预测天然纤维的力学性能,以提高以人工智能为基础的预测整体力学性能,促进开发更好的绿色复合材料应用于各种工业应用。
- 使用波函数坍缩算法生成晶粒取向的过程
用参考的电子背散射衍射图 (Electron Backscatter Diffraction, EBSD) 地图测试了 Wave Function Collapse (WFC) 算法和 Markov Junior 算法两种方法在生成金属晶粒 - 深度神经网络在不确定应力函数中的应用及对冲击力学的拓展
我们提出了一个泛化的深度神经网络方法,用于以分位回归捕捉不确定性来建模应力作为状态函数。我们通过应用随机微分方程将这些模型扩展到单轴冲击力学,展示了一个使用案例,并提供了一个实施这种不确定性感知应力函数的框架。我们对公开可用和新呈现的数据集 - 基于交互过程中的机械特性的开放式目标识别
通过利用机械特性进行开放式识别,我们提出了一个开放式识别框架,用于识别已知对象并逐步标记新对象。主要贡献是一种利用已知对象知识估计聚类中心和大小的聚类算法,与典型随机选择聚类中心和大小的算法不同。该框架通过与实际对象的交互估计机械特性进行验 - ForceGen: 基于非线性力学展开响应的蛋白质语言扩散模型的端到端全新蛋白质生成
通过深度学习的生成模型,预测蛋白质设计以满足复杂的非线性力学特性设计目标,并通过分子模拟验证展示出设计的蛋白质在力学性质方面的新颖性和达到的目标力学特性,为探索巨大的力学生物学蛋白质序列空间提供了快速的途径。
- 增强力学性能的蜘蛛丝蛋白序列的生成模型、设计和分析
利用定制生成式大语言模型,为蛛丝蛋白序列的设计提供可能,以满足复杂的目标力学特性组合,拓展蛛丝样本库,建立合成蛛丝设计和优化的基础。
- 使用多层合成有限元模拟预测碳纳米管(CNT)图像的机械性能
本文提出了一种基于人工智能的材料发现的深度学习模型管道,用于预测垂直定向碳纳米管林图像的机械性能,并结合使用多层合成的图像和基于物理的模型来估算这些图像的机械属性,从而实现对碳纳米管制备过程的了解与控制。
- 利用生成深度学习和增材制造建模设计异质分层仿生蜘蛛网结构
我们使用深度学习模型基于关键几何参数来建模和合成人工的、仿生的三维蛛网结构,生成的模型能成功地构建满足设计目标的图形并大规模地将其组装成不同形态的结构。
- 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。
- 机器学习在金属增材制造中用于机械性能预测
本文介绍了一种基于机器学习的综合框架,用于金属增材制造过程中机械性能的预测,并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法,同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。
- 增量半参数反动力学学习
本文提出了一种新颖的增量半参数反向动力学学习方法,通过刚体动力学方程的参数建模和增量核方法的非参数建模相结合,实现了对机械系统动力学的增量半参数学习,并在 iCub 人型机器人贴身进行验证。