Wangzhi Zhan Jianpeng Chen Dongqi Fu Dawei Zhou

Abstract

Metamaterialien sind künstliche Materialien, die entwickelt werden, um Eigenschaften zu erfüllen, die in der Natur nicht vorkommen, wie z.B. ultrahohe Steifigkeit und negative Materialindizes. Bei der Gestaltung von mechanischen Metamaterialien sind in der Regel drei wesentliche Aspekte beteiligt: 3D-Topologie, Dichtebedingung und mechanische Eigenschaften. Komplexe Anwendungsszenarien in der Praxis stellen hohe Anforderungen an maschinelles Lernen, um alle drei Aspekte gleichzeitig zu berücksichtigen. Eine umfassende Literaturanalyse zeigt jedoch, dass die meisten existierenden Arbeiten nur zwei dieser Aspekte betrachten, zum Beispiel die Vorhersage von mechanischen Eigenschaften auf Basis der 3D-Topologie oder die Generierung einer 3D-Topologie unter Berücksichtigung der gewünschten Eigenschaften. Daher besteht noch ein erheblicher Unterschied zwischen den aktuellen maschinellen Lernmodellen und dem Erfassen des Gesamtzusammenhangs. Deshalb schlagen wir ein vereinheitlichtes Modell namens UniMate vor, das aus einem Modalitätsausrichtungsmodul und einem synergetischen Diffusionsgenerierungsmodul besteht. Experimente zeigen, dass UniMate in den Aufgaben zur Topologiegenerierung, Eigenschaftsvorhersage und Bedingungsbestätigung gegenüber anderen Baselinemodellen Leistungen bis zu 80,2 %, 5,1 % und 50,2 % besser ist. Wir stellen unser vorgeschlagenes UniMate-Modell sowie die entsprechenden Ergebnisse unter https://github.com/wzhan24/UniMate als Open Source zur Verfügung.