Advanced structural materials have received extensive attention in the field of materials and structural design in recent years. These materials generally achieve excellent performances via structural design at multiple length-scales. In the early material design, some researchers created reasonable mathematical and mechanical models from the natural topologies; some researchers established bionic mechanical models based on the structural and functional characteristics of biological systems. Nevertheless, it isn't easy to obtain the optimal designs only based on ingenious design. To traverse the design space to search for the optimal design by trial and error is also not practical. For these reasons, the topology optimization method has been successfully applied to the design of advanced structural materials such as phononic crystals, cellular materials, etc. However, the existing topology optimization methods still have challenges in achieving accurate reverse designs. Data-driven methods can establish complex relationships of multi-dimensional variables, and they can reveal mechanical mechanisms and laws that are difficult to be discovered by traditional methods. Hence, this paper systematically reviews the development of advanced structural material design methods. Various mainstream design methods are compared and illustrated. The status of intelligent design of advanced structural materials based on data-driven methods is introduced. The prospect of this research area is discussed.
LI Xiang, YAN Ziming, LIU Zhanli, ZHUANG Zhuo. Advanced structural material design based on simulation and data-driven method. Advances in Mechanics[J], 2021, 51(1): 82-105 DOI:10.6052/1000-0992-20-012
Topology optimization is used to design a planar photonic crystal waveguide component resulting in significantly enhanced functionality. Exceptional transmission through a photonic crystal waveguide Z-bend is obtained using this inverse design strategy. The design has been realized in a silicon-on-insulator based photonic crystal waveguide. A large low loss bandwidth of more than 200 nm for the bandgap polarization is experimentally confirmed.
BourdinB, ChambolleA. 2003.
Design-dependent loads in topology optimization
ESAIM: Control, Optimisation and Calculus of Variations, 9:19-48.
Topology optimization of cellular materials with maximized energy absorption//ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, 2015, Boston
Over the past decade, deep learning has achieved remarkable success in various artificial intelligence research areas. Evolved from the previous research on artificial neural networks, this technology has shown superior performance to other machine learning algorithms in areas such as image and voice recognition, natural language processing, among others. The first wave of applications of deep learning in pharmaceutical research has emerged in recent years, and its utility has gone beyond bioactivity predictions and has shown promise in addressing diverse problems in drug discovery. Examples will be discussed covering bioactivity prediction, de novo molecular design, synthesis prediction and biological image analysis.
ChengZ, YangQ, ShengB. 2015.
Deep colorization//Proceedings of the IEEE International Conference on Computer Vision, 2015
State-of-the-art speech recognition with sequence-to-sequence models//2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018
Spatially-variant photonic crystals (SVPCs), in which the orientation of the unit cell changes as a function of position, are shown to be capable of abruptly controlling light beams using just low index materials and can be made to have high polarization selectivity. Multi-photon direct laser writing in the photo-polymer SU-8 was used to fabricate three-dimensional SVPCs that direct the flow of light around a 90 degree bend. The lattice spacing and fill factor were maintained nearly constant throughout the structure. The SVPCs were characterized at a wavelength of 2.94 mum by scanning the faces with optical fibers and the results were compared to electromagnetic simulations. The lattices were shown to direct infrared light of one polarization through sharp bends while the other polarization propagated straight through the SVPC. This work introduces a new scheme for controlling light that should be useful for integrated photonics.
DissanayakeM, Phan-ThienN. 1994.
Neural-network-based approximations for solving partial differential equations
Communications in Numerical Methods in Engineering, 10:195-201.
Topology optimization of two-dimensional phononic crystals using FEM and genetic algorithm//2012 Symposium on Piezoelectricity, Acoustic Waves, and Device Applications (SPAWDA), 2012
We have designed and realized a three-dimensional invisibility-cloaking structure operating at optical wavelengths based on transformation optics. Our blueprint uses a woodpile photonic crystal with a tailored polymer filling fraction to hide a bump in a gold reflector. We fabricated structures and controls by direct laser writing and characterized them by simultaneous high-numerical-aperture, far-field optical microscopy and spectroscopy. A cloaking operation with a large bandwidth of unpolarized light from 1.4 to 2.7 micrometers in wavelength is demonstrated for viewing angles up to 60 degrees.
Faller WE, Schreck SJ. 1997.
Unsteady fluid mechanics applications of neural networks
Artificial neural networks had their first heyday in molecular informatics and drug discovery approximately two decades ago. Currently, we are witnessing renewed interest in adapting advanced neural network architectures for pharmaceutical research by borrowing from the field of
A new type of cellular material named Shellular, in which cells are composed of a continuous, smooth-curved shell according to the minimal surface theory, is proposed. Shellular specimens are fabricated using 3D lithography with negative templates and hard coating, and exhibit superb strength and stiffness at densities lower than 10(-2) Mg m(-3), incorporating benefits from hierarchical structures and constituent materials with nanosized grains.
Hashash YM, JungS, GhaboussiJ. 2004.
Numerical implementation of a neural network based material model in finite element analysis
International Journal for numerical methods in engineering, 59:989-1005.
This paper presents a study on topology optimization of novel material microstructural configurations to achieve directional elastic wave propagation through maximization of partial band gaps. A waveguide incorporating a periodic-microstructure material may exhibit different propagation properties for the plane elastic waves incident from different inlets. A topology optimization problem is formulated to enhance such a property with a gradient-based mathematical programming algorithm. For alleviating the issue of local optimum traps, the random morphology description functions (RMDFs) are introduced to generate random initial designs for the optimization process. The optimized designs finally converge to the orderly material distribution and numerical validation shows improved directional propagation property as expected. The utilization of linear two-dimension phononic crystal with efficient partial band gap is suitable for directional propagation with a broad frequency range.
HeK, ZhangX, RenS, SunJ. 2016.
Deep residual learning for image recognition//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016
A comparative study on Arrhenius-type constitutive model and artificial neural network model to predict high-temperature deformation behaviour in Aermet100 steel
Materials Science and Engineering: A, 528:4774-4782.
Recent advances in deep learning and specifically in generative adversarial networks have demonstrated surprising results in generating new images and videos upon request even using natural language as input. In this paper we present the first application of generative adversarial autoencoders (AAE) for generating novel molecular fingerprints with a defined set of parameters. We developed a 7-layer AAE architecture with the latent middle layer serving as a discriminator. As an input and output the AAE uses a vector of binary fingerprints and concentration of the molecule. In the latent layer we also introduced a neuron responsible for growth inhibition percentage, which when negative indicates the reduction in the number of tumor cells after the treatment. To train the AAE we used the NCI-60 cell line assay data for 6252 compounds profiled on MCF-7 cell line. The output of the AAE was used to screen 72 million compounds in PubChem and select candidate molecules with potential anti-cancer properties. This approach is a proof of concept of an artificially-intelligent drug discovery engine, where AAEs are used to generate new molecular fingerprints with the desired molecular properties.
KilloranN, Lee LJ, DelongA, DuvenaudD, Frey BJ. 2017.
Generating and designing DNA with deep generative models
Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. These methods have dramatically improved the state-of-the-art in speech recognition, visual object recognition, object detection and many other domains such as drug discovery and genomics. Deep learning discovers intricate structure in large data sets by using the backpropagation algorithm to indicate how a machine should change its internal parameters that are used to compute the representation in each layer from the representation in the previous layer. Deep convolutional nets have brought about breakthroughs in processing images, video, speech and audio, whereas recurrent nets have shone light on sequential data such as text and speech.
Lee JH, WangL, KooiS, Boyce MC, Thomas EL. 2010.
Enhanced energy dissipation in periodic epoxy nanoframes
Periodic nanostructures fabricated by interference lithography can be precisely designed to have a specific cell geometry, topology, and porosity in contrast to typical stochastic cellular materials. We use nanoindentation to elucidate the mechanical characteristics of the nanoframe as a function of its relative density and model the deformation behavior via numerical simulations. The nanoframe exhibits a scaling exponent of relative modulus versus relative density of 1.26, which is less sensitive than for conventional foams. Moreover, the nanoframe shows large mechanical energy dissipation/volume (up to 4.5 MJ/m(3)), comparable to the highest values achieved in the conventional polymer foams but at a far smaller strain. Counterintuitively, a nanoframe of smaller relative density can dissipate more energy per volume because the geometry of the nanoframe evolves during deformation to engage more of the material in plastic deformation. The results demonstrate how geometrical control at the nano- and microstructural scale can tailor modulus and energy dissipation and suggest means for engineering of mechanically superior materials in the future.
Lefebvre LP, BanhartJ, Dunand DC. 2008.
Porous metals and metallic foams: Current status and recent developments
We propose a molecular generative model based on the conditional variational autoencoder for de novo molecular design. It is specialized to control multiple molecular properties simultaneously by imposing them on a latent space. As a proof of concept, we demonstrate that it can be used to generate drug-like molecules with five target properties. We were also able to adjust a single property without changing the others and to manipulate it beyond the range of the dataset.
We have fabricated sonic crystals, based on the idea of localized resonant structures, that exhibit spectral gaps with a lattice constant two orders of magnitude smaller than the relevant wavelength. Disordered composites made from such localized resonant structures behave as a material with effective negative elastic constants and a total wave reflector within certain tunable sonic frequency ranges. A 2-centimeter slab of this composite material is shown to break the conventional mass-density law of sound transmission by one or more orders of magnitude at 400 hertz.
LiuZ, ZhuD, Rodrigues SP, Lee KT, CaiW. 2018.
Generative model for the inverse design of metasurfaces
Deep-learning framework has significantly impelled the development of modern machine learning technology by continuously pushing the limit of traditional recognition and processing of images, speech, and videos. In the meantime, it starts to penetrate other disciplines, such as biology, genetics, materials science, and physics. Here, we report a deep-learning-based model, comprising two bidirectional neural networks assembled by a partial stacking strategy, to automatically design and optimize three-dimensional chiral metamaterials with strong chiroptical responses at predesignated wavelengths. The model can help to discover the intricate, nonintuitive relationship between a metamaterial structure and its optical responses from a number of training examples, which circumvents the time-consuming, case-by-case numerical simulations in conventional metamaterial designs. This approach not only realizes the forward prediction of optical performance much more accurately and efficiently but also enables one to inversely retrieve designs from given requirements. Our results demonstrate that such a data-driven model can be applied as a very powerful tool in studying complicated light-matter interactions and accelerating the on-demand design of nanophotonic devices, systems, and architectures for real world applications.
MaW, ChengF, XuY, WenQ, LiuY. 2019.
Probabilistic representation and inverse design of metamaterials based on a deep generative model with semi-supervised learning strategy
Framework for the Design of Biomimetic Cellular Materials for Additive Manufacturing//Proceedings of the 2017 Annual International Solid Freeform Fabrication Symposium, 2017
In this paper we present novel light trapping designs applied to multiple junction thin film solar cells. The new designs incorporate one dimensional photonic crystals as band pass filters that reflect short light wavelengths (400 - 867 nm) and transmit longer wavelengths(867 -1800 nm) at the interface between two adjacent cells. In addition, nano structured diffractive gratings that cut into the photonic crystal layers are incorporated to redirect incoming waves and hence increase the optical path length of light within the solar cells. Two designs based on the nano structured gratings that have been realized using the scattering matrix and particle swarm optimization methods are presented. We also show preliminary fabrication results of the proposed devices.
NanthakumarS, ZhuangX, Park HS, NguyenC, ChenY, RabczukT. 2019.
Inverse design of quantum spin hall-based phononic topological insulators
Journal of the Mechanics and Physics of Solids, 125:550-571.
By use of an incipient ferroelectric, SrTiO3, as a defect material inserted into a periodic structure of alternating layers of quartz and high-permittivity ceramic, thermal tuning of a single defect mode over the entire lowest forbidden band was obtained. The tunability of this compact structure reached 60%.
NguyenB, ZhuangX, ParkH, RabczukT. 2019.
Tunable topological bandgaps and frequencies in a pre-stressed soft phononic crystal
Advances in fabrication technologies are enabling the production of architected materials with unprecedented properties. Most such materials are characterized by a fixed geometry, but in the design of some materials it is possible to incorporate internal mechanisms capable of reconfiguring their spatial architecture, and in this way to enable tunable functionality. Inspired by the structural diversity and foldability of the prismatic geometries that can be constructed using the snapology origami technique, here we introduce a robust design strategy based on space-filling tessellations of polyhedra to create three-dimensional reconfigurable materials comprising a periodic assembly of rigid plates and elastic hinges. Guided by numerical analysis and physical prototypes, we systematically explore the mobility of the designed structures and identify a wide range of qualitatively different deformations and internal rearrangements. Given that the underlying principles are scale-independent, our strategy can be applied to the design of the next generation of reconfigurable structures and materials, ranging from metre-scale transformable architectures to nanometre-scale tunable photonic systems.
PapadrakakisM, Lagaros ND. 2002.
Reliability-based structural optimization using neural networks and Monte Carlo simulation
Computer Methods in Applied Mechanics and Engineering, 191:3491-3507.
Metasurfaces provide unprecedented routes to manipulations on electromagnetic waves, which can realize many exotic functionalities. Despite the rapid development of metasurfaces in recent years, the design process of metasurface is still time-consuming and computational resource-consuming. Moreover, it is quite complicated for layman users to design metasurfaces as plenty of specialized knowledge is required. In this work, a metasurface design method named REACTIVE is proposed on the basis of deep learning, as deep learning method has shown its natural advantages and superiorities in mining undefined rules automatically in many fields. REACTIVE is capable of calculating metasurface structure directly through a given design target; meanwhile, it also shows the advantage in making the design process automatic, more efficient, less time-consuming, and less computational resource-consuming. Besides, it asks for less professional knowledge, so that engineers are required only to pay attention to the design target. Herein, a triple-band absorber is designed using the REACTIVE method, where a deep learning model computes the metasurface structure automatically through inputting the desired absorption rate. The whole design process is achieved 200 times faster than the conventional one, which convincingly demonstrates the superiority of this design method. REACTIVE is an effective design tool for designers, especially for laymen users and engineers.
RadmanA, HuangX, XieY. 2013.
Topology optimization of functionally graded cellular materials
MOTIVATION: Individualized drug response prediction is a fundamental part of personalized medicine for cancer. Great effort has been made to discover biomarkers or to develop machine learning methods for accurate drug response prediction in cancers. Incorporating prior knowledge of biological systems into these methods is a promising avenue to improve prediction performance. High-throughput cell line assays of drug-induced transcriptomic perturbation effects are a prior knowledge that has not been fully incorporated into a drug response prediction model yet. RESULTS: We introduce a unified probabilistic approach, Drug Response Variational Autoencoder (Dr.VAE), that simultaneously models both drug response in terms of viability and transcriptomic perturbations. Dr.VAE is a deep generative model based on variational autoencoders. Our experimental results showed Dr.VAE to do as well or outperform standard classification methods for 23 out of 26 tested Food and Drug Administration-approved drugs. In a series of ablation experiments we showed that the observed improvement of Dr.VAE can be credited to the incorporation of drug-induced perturbation effects with joint modeling of treatment sensitivity. AVAILABILITY AND IMPLEMENTATION: Processed data and software implementation using PyTorch (Paszke et al., 2017) are available at: https://github.com/rampasek/DrVAE. SUPPLEMENTARY INFORMATION: Supplementary data are available at Bioinformatics online.
RamuhalliP, UdpaL, Udpa SS. 2005.
Finite-element neural networks for solving differential equations
IEEE Transactions on Neural Networks, 16:1381-1392.
The solution of partial differential equations (PDE) arises in a wide variety of engineering problems. Solutions to most practical problems use numerical analysis techniques such as finite-element or finite-difference methods. The drawbacks of these approaches include computational costs associated with the modeling of complex geometries. This paper proposes a finite-element neural network (FENN) obtained by embedding a finite-element model in a neural network architecture that enables fast and accurate solution of the forward problem. Results of applying the FENN to several simple electromagnetic forward and inverse problems are presented. Initial results indicate that the FENN performance as a forward model is comparable to that of the conventional finite-element method (FEM). The FENN can also be used in an iterative approach to solve inverse problems associated with the PDE. Results showing the ability of the FENN to solve the inverse problem given the measured signal are also presented. The parallel nature of the FENN also makes it an attractive solution for parallel implementation in hardware and software.
RayleighL. 1888.
XXVI. On the remarkable phenomenon of crystalline reflexion described by Prof. Stokes
The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 26:256-265.
The discovery of new materials can bring enormous societal and technological progress. In this context, exploring completely the large space of potential materials is computationally intractable. Here, we review methods for achieving inverse design, which aims to discover tailored materials from the starting point of a particular desired functionality. Recent advances from the rapidly growing field of artificial intelligence, mostly from the subfield of machine learning, have resulted in a fertile exchange of ideas, where approaches to inverse molecular design are being proposed and employed at a rapid pace. Among these, deep generative models have been applied to numerous classes of materials: rational design of prospective drugs, synthetic routes to organic compounds, and optimization of photovoltaics and redox flow batteries, as well as a variety of other solid-state materials.
ScarpaF, CiffoL, YatesJ. 2003.
Dynamic properties of high structural integrity auxetic open cell foam
Many underlying relationships among data in several areas of science and engineering, e.g., computer vision, molecular chemistry, molecular biology, pattern recognition, and data mining, can be represented in terms of graphs. In this paper, we propose a new neural network model, called graph neural network (GNN) model, that extends existing neural network methods for processing the data represented in graph domains. This GNN model, which can directly process most of the practically useful types of graphs, e.g., acyclic, cyclic, directed, and undirected, implements a function tau(G,n) is an element of IR(m) that maps a graph G and one of its nodes n into an m-dimensional Euclidean space. A supervised learning algorithm is derived to estimate the parameters of the proposed GNN model. The computational cost of the proposed algorithm is also considered. Some experimental results are shown to validate the proposed learning algorithm, and to demonstrate its generalization capabilities.
We developed a new sensing motif for the detection and quantification of creatinine, which is an important small molecule marker of renal dysfunction. This novel sensor motif is based on our intelligent polymerized crystalline colloidal array (IPCCA) materials, in which a three-dimensional crystalline colloidal array (CCA) of monodisperse, highly charged polystyrene latex particles are polymerized within lightly cross-linked polyacrylamide hydrogels. These composite hydrogels are photonic crystals in which the embedded CCA diffracts visible light and appears intensely colored. Volume phase transitions of the hydrogel cause changes in the CCA lattice spacings which change the diffracted wavelength of light. We functionalized the hydrogel with two coupled recognition modules, a creatinine deiminase (CD) enzyme and a 2-nitrophenol (2NPh) titrating group. Creatinine within the gel is rapidly hydrolyzed by the CD enzyme in a reaction which releases OH(-). This elevates the steady-state pH within the hydrogel as compared to the exterior solution. In response, the 2NPh is deprotonated. The increased solubility of the phenolate species as compared to that of the neutral phenols causes a hydrogel swelling which red-shifts the IPCCA diffraction. This photonic crystal IPCCA senses physiologically relevant creatinine levels, with a detection limit of 6 microM, at physiological pH and salinity. This sensor also determines physiological levels of creatinine in human blood serum samples. This sensing technology platform is quite general. It may be used to fabricate photonic crystal sensors for any species for which there exists an enzyme which catalyzes it to release H(+) or OH(-).
SigmundO, Søndergaard JensenJ. 2003.
Systematic design of phononic band--gap materials and structures by topology optimization
Philosophical Transactions of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 361:1001-1019.
A long-standing goal of artificial intelligence is an algorithm that learns, tabula rasa, superhuman proficiency in challenging domains. Recently, AlphaGo became the first program to defeat a world champion in the game of Go. The tree search in AlphaGo evaluated positions and selected moves using deep neural networks. These neural networks were trained by supervised learning from human expert moves, and by reinforcement learning from self-play. Here we introduce an algorithm based solely on reinforcement learning, without human data, guidance or domain knowledge beyond game rules. AlphaGo becomes its own teacher: a neural network is trained to predict AlphaGo's own move selections and also the winner of AlphaGo's games. This neural network improves the strength of the tree search, resulting in higher quality move selection and stronger self-play in the next iteration. Starting tabula rasa, our new program AlphaGo Zero achieved superhuman performance, winning 100-0 against the previously published, champion-defeating AlphaGo.
It is known that light can be slowed down in dispersive materials near resonances. Dramatic reduction of the light group velocity-and even bringing light pulses to a complete halt-has been demonstrated recently in various atomic and solid state systems, where the material absorption is cancelled via quantum optical coherent effects. Exploitation of slow light phenomena has potential for applications ranging from all-optical storage to all-optical switching. Existing schemes, however, are restricted to the narrow frequency range of the material resonance, which limits the operation frequency, maximum data rate and storage capacity. Moreover, the implementation of external lasers, low pressures and/or low temperatures prevents miniaturization and hinders practical applications. Here we experimentally demonstrate an over 300-fold reduction of the group velocity on a silicon chip via an ultra-compact photonic integrated circuit using low-loss silicon photonic crystal waveguides that can support an optical mode with a submicrometre cross-section. In addition, we show fast (approximately 100 ns) and efficient (2 mW electric power) active control of the group velocity by localized heating of the photonic crystal waveguide with an integrated micro-heater.
WangD. 2009.
Impact behavior and energy absorption of paper honeycomb sandwich panels
International Journal of Impact Engineering, 36:110-114.
Theoretical and experimental investigation of flexural wave propagation in straight beams with periodic structures: Application to a vibration isolation structure
The mechanical properties of ordinary materials degrade substantially with reduced density because their structural elements bend under applied load. We report a class of microarchitected materials that maintain a nearly constant stiffness per unit mass density, even at ultralow density. This performance derives from a network of nearly isotropic microscale unit cells with high structural connectivity and nanoscale features, whose structural members are designed to carry loads in tension or compression. Production of these microlattices, with polymers, metals, or ceramics as constituent materials, is made possible by projection microstereolithography (an additive micromanufacturing technique) combined with nanoscale coating and postprocessing. We found that these materials exhibit ultrastiff properties across more than three orders of magnitude in density, regardless of the constituent material.
ZhouJ, WeiQ, LiuG. 2004.
Back analysis on rock mechanics parameters for highway tunnel by BP neural network method
Chinese Journal of Rock Mechanics and Engineering, 23:941-945.
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
AlphaFold at CASP13
1
2019
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Artificial neural network methods for the solution of second order boundary value problems
1
2019
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Alphastar: An evolutionary computation perspective
1
1902
... 强化学习作为机器学习的一个分支, 其主要关注智能体如何与环境进行互动, 基于奖赏函数对模型进行动态更新, 从而不断逼近优化目标的全局最大值. 深度人工神经网络的引入进一步为传统强化学习模型注入了活力. 近年来, 深度强化学习在围棋 (Silver et al. 2017)、电子游戏 (Mnih et al. 2013, Arulkumaran et al. 2019)、自动驾驶 (Shalev-Shwartz et al. 2016, Sallab et al. 2017)、机器人控制 (Lillicrap et al. 2015)、自然语言处理 (Narasimhan et al. 2015)、机器视觉 (Caicedo & Lazebnik 2015)等诸多领域的成功应用再次点燃了人们探索通用人工智能的热情. 在自然科学领域, 深度强化学习技术也开始被用于新药物研发 (Popova et al. 2018)等. 强化学习方法也逐渐受到了材料设计领域的关注. Luo等 (2020)基于强化学习发展了一维声学人工材料的优化设计方法, 如图10所示. 该方法的核心思想是将优化设计目标转换为强化学习方法中的奖赏函数, 通过强化学习框架和有限元仿真环境的动态交互迭代地逼近奖赏函数的全局最优解, 可在一定约束条件下将一阶禁带宽度最大化, 还可用于反向设计具有指定禁带范围的一维声学人工材料的结构. ...
Modular learning in neural networks//The 6th National Conference on Artificial Intelligence (AAAI-87), 1987
1
1987
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
High-strength cellular ceramic composites with 3D microarchitecture
Prediction of heat transfer and flow characteristics in helically coiled tubes using artificial neural networks
1
2012
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Harnessing instabilities to design tunable architected cellular materials
常见的功能结构超材料: (a) 负泊松比超材料 (<xref ref-type="bibr" rid="b14">Bückmann et al. 2012</xref>); (b) 抗冲击超材料 (<xref ref-type="bibr" rid="b57">Han et al. 2015</xref>); (c)光子晶体 (<xref ref-type="bibr" rid="b26">Digaum et al. 2014</xref>); (d) 声子晶体 (<xref ref-type="bibr" rid="b116">Mohammadi et al. 2008</xref>)
在多种超材料中, 光子晶体为控制光的传播提供了可能性, 在通讯、激光器和光子原件中具有广阔的应用前景. 基于变换声学的概念, 某些特定情况下电磁学的基本方程与弹性动力学的基本方程是等价的. 因此, 较早出现的各类型光子晶体的原理与设计方法为发展对机械波进行调控的力学结构超材料提供了诸多借鉴价值. 光子晶体是由具有不同折射率的介质所组成的周期性人工材料, 如图2(c)所示, 其相关研究可以追朔到18世纪. 1887年, Rayleigh (1888)发现一维多层半导体的材料对某个波长范围的电磁波具有很大的反射率. 1987年, Yablonovitch (1987)和John (1987)分别讨论了高维度的周期性光学结构的性质, 并明确提出了光子晶体的概念. 光子晶体的一个重要特性是光子带隙, 指的是该频率范围内的输入会发生全反射, 从而无法穿过光子晶体材料. 带隙的存在催生了一系列的光子晶体的应用. 例如, 可以通过在光子晶体中引入缺陷结构制造滤波器 (N$\check{e}$mec et al. 1). 另外, 可进一步依靠光子晶体内部的缺陷引导光的传播方向, 实现光子晶体的波导功能 (Vlasov et al. 2005). 基于光子晶体的带隙范围的变化可研制多功能、多物理场的传感器 (Sharma et al. 2004, Peterson et al. 2014), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
Modelling and simulation of electro-and magnetorheological fluid dampers
1
2002
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Active object localization with deep reinforcement learning//Proceedings of the IEEE International Conference on Computer Vision, 2015
1
2015
... 强化学习作为机器学习的一个分支, 其主要关注智能体如何与环境进行互动, 基于奖赏函数对模型进行动态更新, 从而不断逼近优化目标的全局最大值. 深度人工神经网络的引入进一步为传统强化学习模型注入了活力. 近年来, 深度强化学习在围棋 (Silver et al. 2017)、电子游戏 (Mnih et al. 2013, Arulkumaran et al. 2019)、自动驾驶 (Shalev-Shwartz et al. 2016, Sallab et al. 2017)、机器人控制 (Lillicrap et al. 2015)、自然语言处理 (Narasimhan et al. 2015)、机器视觉 (Caicedo & Lazebnik 2015)等诸多领域的成功应用再次点燃了人们探索通用人工智能的热情. 在自然科学领域, 深度强化学习技术也开始被用于新药物研发 (Popova et al. 2018)等. 强化学习方法也逐渐受到了材料设计领域的关注. Luo等 (2020)基于强化学习发展了一维声学人工材料的优化设计方法, 如图10所示. 该方法的核心思想是将优化设计目标转换为强化学习方法中的奖赏函数, 通过强化学习框架和有限元仿真环境的动态交互迭代地逼近奖赏函数的全局最优解, 可在一定约束条件下将一阶禁带宽度最大化, 还可用于反向设计具有指定禁带范围的一维声学人工材料的结构. ...
Topology optimization of cellular materials with maximized energy absorption//ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, 2015, Boston
Predicting models to estimate stability of rock slope based on artificial neural network
1
2001
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
The rise of deep learning in drug discovery
2
2018
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Deep colorization//Proceedings of the IEEE International Conference on Computer Vision, 2015
1
2015
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
State-of-the-art speech recognition with sequence-to-sequence models//2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018
1
2018
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Non-linear properties of polymer cellular materials with a negative Poisson's ratio
常见的功能结构超材料: (a) 负泊松比超材料 (<xref ref-type="bibr" rid="b14">Bückmann et al. 2012</xref>); (b) 抗冲击超材料 (<xref ref-type="bibr" rid="b57">Han et al. 2015</xref>); (c)光子晶体 (<xref ref-type="bibr" rid="b26">Digaum et al. 2014</xref>); (d) 声子晶体 (<xref ref-type="bibr" rid="b116">Mohammadi et al. 2008</xref>)
在多种超材料中, 光子晶体为控制光的传播提供了可能性, 在通讯、激光器和光子原件中具有广阔的应用前景. 基于变换声学的概念, 某些特定情况下电磁学的基本方程与弹性动力学的基本方程是等价的. 因此, 较早出现的各类型光子晶体的原理与设计方法为发展对机械波进行调控的力学结构超材料提供了诸多借鉴价值. 光子晶体是由具有不同折射率的介质所组成的周期性人工材料, 如图2(c)所示, 其相关研究可以追朔到18世纪. 1887年, Rayleigh (1888)发现一维多层半导体的材料对某个波长范围的电磁波具有很大的反射率. 1987年, Yablonovitch (1987)和John (1987)分别讨论了高维度的周期性光学结构的性质, 并明确提出了光子晶体的概念. 光子晶体的一个重要特性是光子带隙, 指的是该频率范围内的输入会发生全反射, 从而无法穿过光子晶体材料. 带隙的存在催生了一系列的光子晶体的应用. 例如, 可以通过在光子晶体中引入缺陷结构制造滤波器 (N$\check{e}$mec et al. 1). 另外, 可进一步依靠光子晶体内部的缺陷引导光的传播方向, 实现光子晶体的波导功能 (Vlasov et al. 2005). 基于光子晶体的带隙范围的变化可研制多功能、多物理场的传感器 (Sharma et al. 2004, Peterson et al. 2014), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
Neural-network-based approximations for solving partial differential equations
1
1994
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Topology optimization of two-dimensional phononic crystals using FEM and genetic algorithm//2012 Symposium on Piezoelectricity, Acoustic Waves, and Device Applications (SPAWDA), 2012
1
2012
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Multi-objective optimization of two-dimensional porous phononic crystals
2
2014
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Topological optimization of two-dimensional phononic crystals based on the finite element method and genetic algorithm
2
2014
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Topology optimization of chiral phoxonic crystals with simultaneously large phononic and photonic bandgaps
2
2017
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Topology optimization of anisotropic broadband double-negative elastic metamaterials
2
2017
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
A new concept in design of materials and structures: Assemblies of interlocked tetrahedron-shaped elements
Single-cell RNA-seq denoising using a deep count autoencoder
1
2019
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Three-dimensional invisibility cloak at optical wavelengths
2
2010
... 在多种超材料中, 光子晶体为控制光的传播提供了可能性, 在通讯、激光器和光子原件中具有广阔的应用前景. 基于变换声学的概念, 某些特定情况下电磁学的基本方程与弹性动力学的基本方程是等价的. 因此, 较早出现的各类型光子晶体的原理与设计方法为发展对机械波进行调控的力学结构超材料提供了诸多借鉴价值. 光子晶体是由具有不同折射率的介质所组成的周期性人工材料, 如图2(c)所示, 其相关研究可以追朔到18世纪. 1887年, Rayleigh (1888)发现一维多层半导体的材料对某个波长范围的电磁波具有很大的反射率. 1987年, Yablonovitch (1987)和John (1987)分别讨论了高维度的周期性光学结构的性质, 并明确提出了光子晶体的概念. 光子晶体的一个重要特性是光子带隙, 指的是该频率范围内的输入会发生全反射, 从而无法穿过光子晶体材料. 带隙的存在催生了一系列的光子晶体的应用. 例如, 可以通过在光子晶体中引入缺陷结构制造滤波器 (N$\check{e}$mec et al. 1). 另外, 可进一步依靠光子晶体内部的缺陷引导光的传播方向, 实现光子晶体的波导功能 (Vlasov et al. 2005). 基于光子晶体的带隙范围的变化可研制多功能、多物理场的传感器 (Sharma et al. 2004, Peterson et al. 2014), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
... ), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
Unsteady fluid mechanics applications of neural networks
1
1997
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Inverse analysis of rock soil mechanics parameters based on neural network
1
1998
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Neural network estimation of slope stability
0
1995
Broadband photonic crystal waveguide 60 bend obtained utilizing topology optimization
1
2004
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
Implicit constitutive modelling for viscoplasticity using neural networks
1
1998
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Silicon nanostructure cloak operating at optical frequencies
Image style transfer using convolutional neural networks//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Deep learning in drug discovery
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Convolutional sequence to sequence learning//Proceedings of the 34th International Conference on Machine Learning, 2017
1
2017
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Autoprogressive training of neural network constitutive models
1
1998
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Structural optimization with frequency constraints by genetic algorithm using wavelet radial basis function neural network
1
2008
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
The mechanics of three-dimensional cellular materials
Genetic algorithms in truss topological optimization
1
1995
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Inverse design of phononic crystals by topology optimization
2
2005
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Numerical implementation of a neural network based material model in finite element analysis
1
2004
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Achieving directional propagation of elastic waves via topology optimization
1
2018
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Deep residual learning for image recognition//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Deep learning for finance: deep portfolios
1
2017
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Teaching machines to read and comprehend//Advances in Neural Information Processing Systems, 2015
1
2015
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Reducing the dimensionality of data with neural networks
Topology optimization of photonic crystal structures: A high-bandwidth low-loss T-junction waveguide
1
2005
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
Topology optimization for nano-photonics
1
2011
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
Development of surrogate model using CFD and deep neural networks to optimize gas detector layout
1
2019
... 强化学习算法则在一定程度上摆脱了数据集的限制, 基于强化学习的材料设计框架的核心思想是构建一个虚拟仿真环境, 在智能体与环境的动态交互过程中尝试逼近奖赏函数的全局最优, 最终实现设计的目标. 强化学习的顺利实施需要实时模拟仿真环境源源不断地提供训练数据, 仿真计算的效率直接影响了强化学习模型的训练效率. 然而, 非线性数值模拟仿真一般耗费大量的计算时间, 如何开发高效且泛化能力良好的数值仿真替代模型(surrogate model)或简化模型是未来该设计方法进一步普及的关键所在. 例如, 基于深度学习的替代模型已被应用于固体力学和流体力学的计算 (Lee et al. 2010, Jeon et al. 2019, Li et al. 2019). 这些替代模型的建立大多使用了端到端的训练数据, 往往针对于某个具体的仿真或应用场景, 且对其所能解决力学问题提出了较强的限制. ...
A comparative study on Arrhenius-type constitutive model and artificial neural network model to predict high-temperature deformation behaviour in Aermet100 steel
1
2011
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Application of neural network to back analysis of mechanical parameters and initial stress field of rock masses
1
2006
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Strong localization of photons in certain disordered dielectric superlattices
1
1987
... 在多种超材料中, 光子晶体为控制光的传播提供了可能性, 在通讯、激光器和光子原件中具有广阔的应用前景. 基于变换声学的概念, 某些特定情况下电磁学的基本方程与弹性动力学的基本方程是等价的. 因此, 较早出现的各类型光子晶体的原理与设计方法为发展对机械波进行调控的力学结构超材料提供了诸多借鉴价值. 光子晶体是由具有不同折射率的介质所组成的周期性人工材料, 如图2(c)所示, 其相关研究可以追朔到18世纪. 1887年, Rayleigh (1888)发现一维多层半导体的材料对某个波长范围的电磁波具有很大的反射率. 1987年, Yablonovitch (1987)和John (1987)分别讨论了高维度的周期性光学结构的性质, 并明确提出了光子晶体的概念. 光子晶体的一个重要特性是光子带隙, 指的是该频率范围内的输入会发生全反射, 从而无法穿过光子晶体材料. 带隙的存在催生了一系列的光子晶体的应用. 例如, 可以通过在光子晶体中引入缺陷结构制造滤波器 (N$\check{e}$mec et al. 1). 另外, 可进一步依靠光子晶体内部的缺陷引导光的传播方向, 实现光子晶体的波导功能 (Vlasov et al. 2005). 基于光子晶体的带隙范围的变化可研制多功能、多物理场的传感器 (Sharma et al. 2004, Peterson et al. 2014), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
Neural network constitutive model for rate-dependent materials
1
2006
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
The cornucopia of meaningful leads: Applying deep adversarial autoencoders for new molecule development in oncology
1
2017
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Generating and designing DNA with deep generative models
1
2017
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Auto-encoding variational bayes
1
2013
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Acoustic band structure of periodic elastic composites
1
1993
... 通过类比对电磁波和机械波调控问题中的相似性, Kushwaha等 (1993)提出了声子晶体的这类力学结构超材料. 声子晶体是一种由周期性单胞构成的非均质人造材料. 单胞一般由散射体(或空隙)和基体组成, 如图2(d)所示. 声子晶体能够对声波和机械振动进行多方位的调控, 在减振降噪、滤波、声学透镜、声学成像、声隐身等方面有重要的应用价值, 受到通信、医疗、军事等领域的关注 (Sáchez-Dehesa et al. 2002, Ho et al. 2003, Wen et al. 2005). 早期声子晶体研究以散射型为主, 一般由两相材料构成. 2000年, Liu等 (2000)提出了"共振型声子晶体"的概念, 该概念后来演变为"声学超材料". 这类声子晶体通过在软基体中加入由硬核和涂层组成的微颗粒, 使微颗粒自身形成了弹簧振子结构吸收能量. 相比于散射型声子晶体, 共振型声子晶体能调控更低频率的声波和机械振动, 拓宽了声子晶体的应用领域. 在此基础上, Sánchez-Dehesa (2002)、Hu等 (2004)又提出了负质量、负密度以及"双负材料"等概念, 对波的调控形式也从衰减幅值扩展到改变声波传播方向、负折射、声聚焦等等. 如何通过设计声子晶体以实现所需要的声波调控功能已成为近年来声子晶体研究的热点问题. ...
Artificial neural networks for solving ordinary and partial differential equations
1
1998
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Design and fabrication of compliant micromechanisms and structures with negative Poisson's ratio
Machine learning-driven real-time topology optimization under moving morphable component-based framework
1
2019
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Predicting the effective mechanical property of heterogeneous materials by image based modeling and deeping learning
2
2019
... 进入21世纪以来, 以深度学习和强化学习为代表的机器学习得到了空前发展, 相关成果逐渐被研究者应用至诸多科研领域. 在力学领域, 一般基于力学实验和数值模拟获取的大量数据, 利用机器学习算法能够建立高维变量复杂关系的优势, 挖掘传统力学方法难以发现的规律, 揭示更深层次的力学机理. 近年来, 机器学习方法在先进材料的智能化设计中逐渐崭露头角. 例如, 监督式机器学习使用带标签数据训练出可表征数据与标签之间隐式关系的黑盒模型, 被成功用于声学 (Li et al. 2020)、光学 (Malkiel et al. 2018)人工材料的反向设计. 无监督机器学习在缺乏足够先验知识的条件下, 对无类别信息的数据进行聚类或分群, 被用于材料微结构特征自动分类和材料拓扑特征降维压缩 (Li et al. 2019). 强化学习算法通过智能体在与环境的交互过程中不断更新算法策略, 最终实现全局最优或特定目标的实现, 已被应用于优化设计一维声学人工材料的结构 (Luo et al. 2020). ...
... 强化学习算法则在一定程度上摆脱了数据集的限制, 基于强化学习的材料设计框架的核心思想是构建一个虚拟仿真环境, 在智能体与环境的动态交互过程中尝试逼近奖赏函数的全局最优, 最终实现设计的目标. 强化学习的顺利实施需要实时模拟仿真环境源源不断地提供训练数据, 仿真计算的效率直接影响了强化学习模型的训练效率. 然而, 非线性数值模拟仿真一般耗费大量的计算时间, 如何开发高效且泛化能力良好的数值仿真替代模型(surrogate model)或简化模型是未来该设计方法进一步普及的关键所在. 例如, 基于深度学习的替代模型已被应用于固体力学和流体力学的计算 (Lee et al. 2010, Jeon et al. 2019, Li et al. 2019). 这些替代模型的建立大多使用了端到端的训练数据, 往往针对于某个具体的仿真或应用场景, 且对其所能解决力学问题提出了较强的限制. ...
Designing phononic crystal with anticipated band gap through a deep learning based data-driven method
4
2020
... 进入21世纪以来, 以深度学习和强化学习为代表的机器学习得到了空前发展, 相关成果逐渐被研究者应用至诸多科研领域. 在力学领域, 一般基于力学实验和数值模拟获取的大量数据, 利用机器学习算法能够建立高维变量复杂关系的优势, 挖掘传统力学方法难以发现的规律, 揭示更深层次的力学机理. 近年来, 机器学习方法在先进材料的智能化设计中逐渐崭露头角. 例如, 监督式机器学习使用带标签数据训练出可表征数据与标签之间隐式关系的黑盒模型, 被成功用于声学 (Li et al. 2020)、光学 (Malkiel et al. 2018)人工材料的反向设计. 无监督机器学习在缺乏足够先验知识的条件下, 对无类别信息的数据进行聚类或分群, 被用于材料微结构特征自动分类和材料拓扑特征降维压缩 (Li et al. 2019). 强化学习算法通过智能体在与环境的交互过程中不断更新算法策略, 最终实现全局最优或特定目标的实现, 已被应用于优化设计一维声学人工材料的结构 (Luo et al. 2020). ...
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Numerical solution for high order differential equations using a hybrid neural network——optimization method
1
2006
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Deep learning for the design of nano-photonic structures//2018 IEEE International Conference on Computational Photography (ICCP), 2018
3
2018
... 进入21世纪以来, 以深度学习和强化学习为代表的机器学习得到了空前发展, 相关成果逐渐被研究者应用至诸多科研领域. 在力学领域, 一般基于力学实验和数值模拟获取的大量数据, 利用机器学习算法能够建立高维变量复杂关系的优势, 挖掘传统力学方法难以发现的规律, 揭示更深层次的力学机理. 近年来, 机器学习方法在先进材料的智能化设计中逐渐崭露头角. 例如, 监督式机器学习使用带标签数据训练出可表征数据与标签之间隐式关系的黑盒模型, 被成功用于声学 (Li et al. 2020)、光学 (Malkiel et al. 2018)人工材料的反向设计. 无监督机器学习在缺乏足够先验知识的条件下, 对无类别信息的数据进行聚类或分群, 被用于材料微结构特征自动分类和材料拓扑特征降维压缩 (Li et al. 2019). 强化学习算法通过智能体在与环境的交互过程中不断更新算法策略, 最终实现全局最优或特定目标的实现, 已被应用于优化设计一维声学人工材料的结构 (Luo et al. 2020). ...
Framework for the Design of Biomimetic Cellular Materials for Additive Manufacturing//Proceedings of the 2017 Annual International Solid Freeform Fabrication Symposium, 2017
Solution of nonlinear ordinary differential equations by feedforward neural networks
1
1994
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Learning solutions to partial differential equations using LS-SVM
1
2015
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Robust topology optimization of three-dimensional photonic-crystal band-gap structures
Flow regime identification methodology with neural networks and two-phase flow models
1
2001
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Design, 3D printing and testing of architectured materials with bistable interlocks
Genetic algorithm for topology optimization of trusses
1
1995
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Rational design of reconfigurable prismatic architected materials
Reliability-based structural optimization using neural networks and Monte Carlo simulation
1
2002
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Structural optimization using evolution strategies and neural networks
1
1998
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Design of phononic crystals for self-collimation of elastic waves using topology optimization method
2
2015
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Fundamental properties of phononic crystal//Phononic Crystals
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Dr. VAE: Improving drug response prediction via modeling of drug perturbation effects
1
2019
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
Finite-element neural networks for solving differential equations
1
2005
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
XXVI. On the remarkable phenomenon of crystalline reflexion described by Prof. Stokes
1
1888
... 在多种超材料中, 光子晶体为控制光的传播提供了可能性, 在通讯、激光器和光子原件中具有广阔的应用前景. 基于变换声学的概念, 某些特定情况下电磁学的基本方程与弹性动力学的基本方程是等价的. 因此, 较早出现的各类型光子晶体的原理与设计方法为发展对机械波进行调控的力学结构超材料提供了诸多借鉴价值. 光子晶体是由具有不同折射率的介质所组成的周期性人工材料, 如图2(c)所示, 其相关研究可以追朔到18世纪. 1887年, Rayleigh (1888)发现一维多层半导体的材料对某个波长范围的电磁波具有很大的反射率. 1987年, Yablonovitch (1987)和John (1987)分别讨论了高维度的周期性光学结构的性质, 并明确提出了光子晶体的概念. 光子晶体的一个重要特性是光子带隙, 指的是该频率范围内的输入会发生全反射, 从而无法穿过光子晶体材料. 带隙的存在催生了一系列的光子晶体的应用. 例如, 可以通过在光子晶体中引入缺陷结构制造滤波器 (N$\check{e}$mec et al. 1). 另外, 可进一步依靠光子晶体内部的缺陷引导光的传播方向, 实现光子晶体的波导功能 (Vlasov et al. 2005). 基于光子晶体的带隙范围的变化可研制多功能、多物理场的传感器 (Sharma et al. 2004, Peterson et al. 2014), 对温度、离子浓度、金属含量等各种物理量进行探测. 通过改变电磁波的传播方向, 声子晶体材料还可以实现对可见光 (Ergin et al. 2010)、激光及红外线 (Wang et al. 2016)等的隐身. ...
You only look once: Unified, real-time object detection//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Deep generative models of genetic variation capture mutation effects
1
2017
... 深度学习技术的本质是基于"联结主义"构建的多层非线性神经网络模型, 通过向后传播算法建立起不同维度的数据分布之间的映射, 挖掘出数据中蕴藏的潜在关联关系. 2014年诞生的生成对抗网络模型再次激发了学术界对深度学习的兴趣与期待. 生成对抗网络由生成器和判别器两个深度学习模型组成, 两个模型通过对抗式训练, 最终保证生成器网络将低维空间的噪音信号映射到与训练数据服从相同分布的高维度空间, 从而重建与原始样本接近的新样本 (Goodfellow et al. 2014). 生成对抗网络已被成功应用于谱曲 (Yang et al. 2017)、作画 (Liu et al. 2018)、作诗 (Rajeswar et al. 2017)等, 并在近年来逐步应用于自然科学研究. 在化学领域, 该模型被用于反向设计全新的无机 (Dan et al. 2019)和有机化合物 (Sanchez-Lengeling & Aspuru-Guzik 2018). 在生物领域被成功用于生成具有指定性质的DNA序列 (Killoran et al. 2017). 这些自然科学领域的成功应用对先进结构材料的智能设计具有重要指导意义. 此外, 由自动编码器所衍生出生成式深度学习模型同样受到自然科学领域研究者的关注. 自动编码器 (Ballard 1987, LeCun et al. 2015)是由编码器和解码器连接而成的深度学习模型, 其目标是通过无监督学习在模型输出端重现输入端数据, 实现数据降维. 降维后得到的特征数据还可进一步用于监督学习. 该模型常被应用于数据可视化降维、数据降噪和压缩等. 基于自动编码器还逐渐衍生出了变分自动编码器 (Kingma & Welling 2013)、对抗自动编码器 (Makhzani et al. 2015)等深度学习模型. 自动编码器的各种衍生模型已被应用于发现全新的药物分子结构 (Kadurin et al. 2017, Chen et al. 2018, Lim et al. 2018, Rampášek et al. 2019)、生物和基因学研究 (Riesselman et al. 2017, Grønbech et al. 2018, Eraslan et al. 2019)等. 深度学习在自然科学领域的成功应用对于发展先进结构材料的智能设计方法具有重要的借鉴价值. ...
An isotropic three-dimensional structure with Poisson's ratio,$=-1$
Development of constitutive relationship model of Ti600 alloy using artificial neural network
1
2010
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Deep neural network inverse design of integrated nanophotonic devices
Modeling and control of magnetorheological fluid dampers using neural networks
1
2004
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Robust topology optimization of photonic crystal waveguides with tailored dispersion properties
1
2011
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
Plastic dissipation mechanisms in periodic microframe-structured polymers
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Theoretical and experimental investigation of flexural wave propagation in straight beams with periodic structures: Application to a vibration isolation structure
1
2005
... 通过类比对电磁波和机械波调控问题中的相似性, Kushwaha等 (1993)提出了声子晶体的这类力学结构超材料. 声子晶体是一种由周期性单胞构成的非均质人造材料. 单胞一般由散射体(或空隙)和基体组成, 如图2(d)所示. 声子晶体能够对声波和机械振动进行多方位的调控, 在减振降噪、滤波、声学透镜、声学成像、声隐身等方面有重要的应用价值, 受到通信、医疗、军事等领域的关注 (Sáchez-Dehesa et al. 2002, Ho et al. 2003, Wen et al. 2005). 早期声子晶体研究以散射型为主, 一般由两相材料构成. 2000年, Liu等 (2000)提出了"共振型声子晶体"的概念, 该概念后来演变为"声学超材料". 这类声子晶体通过在软基体中加入由硬核和涂层组成的微颗粒, 使微颗粒自身形成了弹簧振子结构吸收能量. 相比于散射型声子晶体, 共振型声子晶体能调控更低频率的声波和机械振动, 拓宽了声子晶体的应用领域. 在此基础上, Sánchez-Dehesa (2002)、Hu等 (2004)又提出了负质量、负密度以及"双负材料"等概念, 对波的调控形式也从衰减幅值扩展到改变声波传播方向、负折射、声聚焦等等. 如何通过设计声子晶体以实现所需要的声波调控功能已成为近年来声子晶体研究的热点问题. ...
A discriminative feature learning approach for deep face recognition//European Conference on Computer Vision, 2016, Amsterdam
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Sensibility analysis of slope stability based on artificial neural network
1
2004
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
A simple evolutionary procedure for structural optimization
1
1993
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
Achieving human parity in conversational speech recognition
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Making negative Poisson's ratio microstructures by soft lithography
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Robust topology optimization of phononic crystals with random field uncertainty
2
2018
... 这些先进材料的出现对材料设计方法提出了更高的要求. 生物的天然元胞结构是亿万年演化的结构, 其元胞结构往往具备优良的力学性能. 因此, 早期的研究者在进行材料设计时通常基于自身的丰富经验, 从天然拓扑结构抽象出合理的数学力学模型; 有的研究者从生物系统的结构和对应功能中获取灵感, 总结出蕴含典型功能原理和作用机理的仿生模型. 但是, 仅依靠经验性的巧妙设计很难得到最优的设计方案, 而通过计算遍历所有可能的拓扑空间也显得不切实际. 为此, 研究者将拓扑优化方法应用于材料设计中. 拓扑优化方法可在指定的设计区域内寻找全新的材料分布以实现最佳的结构性能. 该方法在过去三十年来逐步衍生出密度法、水平集法、相场法、拓扑导数法、进化方法等分支 (Xie & Steven 1993, Allaire et al. 2002, Bourdin & Chambolle 2003). 拓扑优化方法已被成功应用于光子晶体 (Borel et al. 2004; Frandsen et al. 2004; Jensen & Sigmund 2004, 2005, 2011; Wang et al. 2011)、声子晶体 (Sigmund & Søndergaard Jensen 2003; Halkjær et al. 2005; Dong et al. 2014a, 2014b; Park et al. 2015; Dong et al. 2017a, 2017b; Zhang et al. 2018)、元胞材料 (Niu et al. 2009, Huang et al. 2011, Huang et al. 2013)等先进人工材料的结构设计. 但是, 现有的拓扑优化方法以优化设计为主, 而在实现精准的反向设计方面尚存挑战. 同时, 近年来材料制备工艺的发展也对设计方法提出了更高的要求. 如何精准、高效地进行材料反向设计将是未来材料研究领域的热点. ...
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
A phase-field based robust topology optimization method for phononic crystals design considering uncertain diffuse regions
1
2019
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Robust topology optimization of vibrating structures considering random diffuse regions via a phase-field method
1
2019
... 声子晶体材料的优化设计则一般从能带结构入手. 天津大学汪越胜教授团队开展了大量基于拓扑优化的声子晶体设计工作. 一部分工作关注各种声子晶体的设计, 优化设计了双相声子晶体、空隙声子晶体和"双负"声学人工材料 (Dong et al. 2014, 2017a, 2017b)等; 一部分工作关注算法上的创新, 如发展了基于遗传算法 (Dong et al. 2012)和具有多目标的优化函数 (Dong et al. 2014)的声子晶体拓扑优化方法. 大连理工亢战研究团队发展了声子晶体及拓扑优化方法, 围绕不确定性 (Zhang & Kang 2017, Zhang et al. 2018)、相场法 (Zhang et al. 2019a, 2019b)和定向传播 (He & Kang 2018)等问题开展了大量的工作. 此外, Halkjær (2005)等、Sigmund等 (2003)、Park等 (2015)等都基于拓扑优化进行声子晶体的设计. ...
Back analysis on rock mechanics parameters for highway tunnel by BP neural network method
1
2004
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
Traffic-sign detection and classification in the wild//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016
1
2016
... 经过十余年的快速发展, 深度学习已被成功应用于诸多领域. 例如, 在计算机视觉领域 (Cheng et al. 2015, Gatys et al. 2016, He et al. 2016, Redmon et al. 2016, Wen et al. 2016, Zhu et al. 2016)、语音处理和识别 (Xiong et al. 2016, Chiu et al. 2018)、自然语言处理领域 (Hermann et al. 2015, Gehring et al. 2017)、生命科学 (Webb 2018, AlQuraishi 2019)、制药 (Gawehn et al. 2016, Chen et al. 2018)、金融 (Heaton et al. 2017, Zhang et al. 2017)等诸多领域. 同时, 这股浪潮也延伸至工程及力学领域. 近年来, 机器学习及深度学习技术被逐步应用于岩石力学 (Fan et al. 1998, Zhou et al. 2004, Jin et al. 2006)、拓扑结构优化和设计 (Hajela & Lee 1995, Ohsaki 1995, Papadrakakis et al. 1998, Papadrakakis & Lagaros 2002, Gholizadeh et al. 2008, Lei et al. 2019)、边坡稳定性 (Xiating et al. 1995, Chen et al. 2001, Xia & Xiong 2004)、固体本构关系 (Furukawa & Yagawa 1998, Ghaboussi et al. 1998, Hashash et al. 2004, Jung & Ghaboussi 2006, Sun et al. 2010, Ji et al. 2011)、偏微分方程的数值求解 (Dissanayake & Phan-Thien 1994, Meade Jr & Fernandez 1994, Lagaris et al. 1998, Ramuhalli et al. 2005, Malek & Beidokhti 2006, Mehrkanoon & Suykens 2015, Anitescu et al. 2019)流体力学计算 (Faller & Schreck 1997, Mi et al. 2001, Butz & Von Stryk 2002, Wang & Liao 2004, Yuhong & Wenxin 2009, Beigzadeh & Rahimi 2012)等多个方向. ...
