Adam: метод стохастической оптимизации
Data Driven VRP: A Neural Network Model to Learn Hidden Preferences for VRP
2021-01-01
SCID: 54.1/n29teykj
Discuss with AI
ДНК-сополимеризованные гидрогеликрупнозернистое моделированиесверточная нейронная сетьгенетический алгоритмпроектирование метаморфных материалов
Figures from the paper
Abstract (AI)
Проектирование сложных, динамичных и при этом многофункциональных материалов и устройств представляет собой трудную задачу, поскольку пространства проектирования таких материалов характеризуются многочисленными взаимозависимыми и часто противоречащими друг другу ограничениями. Вдохновляясь достижениями в области искусственного интеллекта и их применением для поиска новых материалов, мы предлагаем вычислительный метод проектирования трансформируемых гидрогелевых структур, сополимеризованных с ДНК. Метод включает крупнозернистое моделирование и систему оптимизации на основе глубокого обучения для исследования огромного пространства проектирования этих структур. В настоящей работе мы разрабатываем простую численную модель изменения формы гидрогеля, сополимеризованного с ДНК, и стремимся найти конструкции структурированных гидрогелей, способных в различных состояниях активации складываться в формы разных арабских цифр. Мы обучаем сверточную нейронную сеть классифицировать и оценивать геометрические результаты крупнозернистого моделирования, обеспечивая автономную обратную связь для оптимизации конструкции. Затем мы создаем генетический алгоритм, который генерирует и отбирает большие пакеты конструкций материалов, конкурирующих друг с другом, чтобы в процессе эволюции прийти к оптимальным конструкциям, соответствующим целевым характеристикам. Мы показываем, что способны исследовать большое пространство проектирования и выявлять важные параметры и свойства. Мы устанавливаем ключевые взаимосвязи между масштабным размером материала и диапазоном изменения формы, достижимым отдельными доменами, а также выявляем компромиссы между различными параметрами конструкции. Наконец, мы обнаруживаем конструкции материалов, способные трансформироваться в несколько различных цифр в разных состояниях активации.
Key Findings
1
Вычислительная система объединяет крупнозернистое моделирование, оценивание сверточной нейронной сетью и генетические алгоритмы для оптимизации конструкций метаморфных гидрогелей, сополимеризованных с ДНК.
2
Метод автономно исследует большое пространство дизайнов, классифицируя и оценивая смоделированные геометрии гидрогелей и эволюционируя большие партии кандидатов.
3
Метод обнаруживает конструкции гидрогелей, способные преобразовываться в несколько арабских цифр в различных состояниях активации.
4
Процесс оптимизации выявляет важные параметры и характеристики материала, определяющие преобразование формы гидрогеля.
5
Показаны взаимосвязи между масштабом материала и достижимым диапазоном изменения формы отдельных доменов, а также компромиссы между параметрами дизайна.
Research Object
Метаформные гидрогелевые структуры, сополимеризованные с ДНК, предназначенные для складывания в разные формы (арабские цифры) в различных состояниях актуации
Research Subject
исследование и оптимизация пространства дизайна поведения гидрогелей при изменении формы, включая взаимосвязи между масштабом и диапазоном изменения формы, а также трансформацию в несколько цифр
Publication Details
Publication Date
2021-01-01
Journal
Publisher
ISSN
Cited by
9
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью20
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Преобразование изображений в изображения с помощью условных состязательных сетей2017
Изображение стоит 16×16 слов: трансформеры для распознавания изображений в масштабе2020
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
За пределами гауссовского шумоподавителя: республивая (Residual) обучаемая глубокая сверточная нейронная сеть для удаления шума с изображений2017
mixup: За пределами эмпирической минимизации риска2017
Генеративные состязательные сети с методом наименьших квадратов2017
Система нейронного машинного перевода Google: сокращение разрыва между человеческим и машинным переводом2016
Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа2020
Нейронные архитектуры для распознавания именованных сущностей2016
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Механизмы внимания в компьютерном зрении: обзор2022
Графовые сверточные нейронные сети для классификации гиперспектральных изображений2020
Мультимодальное компактное билинейное объединение для ответов на визуальные вопросы и визуального заземления2016
Автоматизированное выявление очаговых поражений молочной железы на ультразвуковых изображениях с использованием сверточных нейронных сетей2017
Улучшение глубокого обучения с помощью универсального увеличения данных2018
HowTo100M: обучение текстово-видеового представления посредством просмотра ста миллионов озвученных видеоклипов2019
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
Обучение глубоких моделей Transformer для машинного перевода2019
Новая каскадная бинарная модель разметки для извлечения реляционных троек2020