使用卷积神经网络设计新型辅助生物材料
Iulian Constantin Coropețchi1,2, Dan Mihai Constantinescu1,3, Alexandru Vasile1,2
1Department of Strength of Materials, National University for Science and Technology POLITEHNICA Bucharest, Splaiul Independeței 313, 060042 Bucharest, Romania.
Materials (Basel, Switzerland)
|May 7, 2025
概括
这项研究引入了一个深度学习模型来预测材料属性,如微观结构中的Poisson比率. 这种人工智能方法有效地设计出具有所需机械特性的先进超材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 人工智能的人工智能
背景情况:
- 预测复杂的微观结构的机械性质对于材料设计至关重要.
- 像有限元分析这样的传统方法在计算上可能很昂贵.
- 深度学习为高效的材料属性预测提供了一个潜在的解决方案.
研究的目的:
- 开发一个卷积神经网络 (CNN) 用于预测双材料微结构的波桑比率.
- 将CNN集成到优化算法中,用于设计具有辅助性行为的微结构.
- 证明深度学习作为微结构评估和优化计算工具的有效性.
主要方法:
- 一个CNN在二进制微结构配置上受过训练,以学习空间材料分布-属性关系.
- 训练有素的CNN与一个贪的优化算法相结合.
- 该算法代修改了微结构,使用CNN推断来指导对辅助性行为的搜索.
主要成果:
- 美国有线电视新闻网根据微观结构准确预测了有效的波桑比率.
- 优化算法成功识别了表现出辅助性质的微结构.
- 深度学习为传统模拟提供了计算效率高的替代方案.
结论:
- 深度学习是评估和优化微结构的可行和高效方法.
- 这种人工智能驱动的方法加速了具有定制机械性能的先进超材料的设计.
- 开发的框架显示了未来材料发现和工程的前景.


