.png){kind=icon}
返回
Multi-target digital material design via a conditional denoising diffusion probability model
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01759-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标数字材料设计因设计空间广阔及传统方法在满足多个目标时的不稳定性而具有挑战性。本研究提出并验证了一种基于无分类器、条件去噪扩散概率模型（cDDPM）的定制器，能够高效创建同时满足多种力学性能设计目标的数字材料布局。以具有四个预设谐振频率的微机械谐振器为例进行了案例研究。利用通过有限元分析（FEA）生成的29,430个样本，cDDPM被训练以同时定制最多四种振动模式，预测准确率超过95%。此外，与传统的条件生成对抗网络（cGANs）相比，cDDPM方法在单目标定制中同样表现出卓越性能，预测准确率最高可达99%。因此，所提出的设計框架为复杂数字材料的设计提供了一种高度可定制且稳健的方法论。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
Deep Learning for Size-Agnostic Inverse Design of Random-Network 3D Printed Mechanical Metamaterials深度学习用于随机网络3D打印机械超材料的尺寸不可知逆设计.png)
ADVANCED MATERIALS
OAAI
ADVANCED MATERIALSIF26.8
OAAI分享收藏Self-directed online machine learning for topology optimization面向拓扑优化的自主在线机器学习NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Multimodal MEMS vibration energy harvester with cascaded flexible and silicon beams for ultralow frequency response具有级联柔性和硅梁的多模态MEMS振动能量采集器，用于超低频率响应OAAI
OAAI分享收藏分享收藏Designing complex architectured materials with generative adversarial networks使用生成对抗网络设计复杂的建筑材料SCIENCE ADVANCESOAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
查看更多内容