Ultrahigh Specific Strength by Bayesian Optimization of Carbon Nanolattices
Notice bibliographique
Résumé
Abstract Nanoarchitected materials are at the frontier of metamaterial design and have set the benchmark for mechanical performance in several contemporary applications. However, traditional nanoarchitected designs with conventional topologies exhibit poor stress distributions and induce premature nodal failure. Here, using multi‐objective Bayesian optimization and two‐photon polymerization, optimized carbon nanolattices with an exceptional specific strength of 2.03 MPa m3 kg−1 at low densities <215 kg m−3 are created. Generative design optimization provides experimental improvements in strength and Young's modulus by as much as 118% and 68%, respectively, at equivalent densities with entirely different lattice failure responses. Additionally, the reduction of nanolattice strut diameters to 300 nm produces a unique high‐strength carbon with a pyrolysis‐induced atomic gradient of 94% sp2 aromatic carbon and low oxygen impurities. Using multi‐focus multi‐photon polymerization, a millimeter‐scalable metamaterial consisting of 18.75 million lattice cells with nanometer dimensions is demonstrated. Combining Bayesian optimized designs and nanoarchitected pyrolyzed carbon, the optimal nanostructures exhibit the strength of carbon steel at the density of Styrofoam offering unparalleled capabilities in light‐weighting, fuel reduction, and contemporary design applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».