Data-Efficient Inverse Design of Spinodoid Metamaterials
Notice bibliographique
Résumé
Abstract We present a data-efficient neural-network model for predicting linear-elastic properties of spinodoid metamaterials from their mesoscale structure. Our machine-learning model requires 75 data points for training, greatly improving data efficiency over previous models that required thousands of training samples. We achieve this by leveraging concepts from geometric learning. Specifically, we exploit physical properties, such as positive semi-definiteness of the elasticity tensor, as well as structural invariances and equivariances of the problem, for example with respect to coordinate axes permutations. The neural network model is designed to exactly fulfill these constraints; it does not have to learn them from data. The resulting model enables data- and compute-efficient inverse design of spinodoid metamaterials. In inverse design, the goal is to find a material mesostructure that leads to desired mechanical properties on the macroscale. Exactly fulfilling physical and structural constraints, the present neural network model remains differentiable. This allows using fast gradient-based optimizers for inverse design. We demonstrate this by inversely designing spinodoid metamaterials that achieve desired linear elastic target properties in three dimensions. Inverse design is treated as a constrained optimization problem over the parameters describing the metamaterial. The results confirm that the present approach requires significantly less training data than previous machine-learning approaches and allows incorporating multiple objectives in the inverse design process. Since the structure of the design space is independent of the target material properties, we hope that such data-efficient models will be useful also for inverse design of spinodoids beyond linear elasticity.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».