多类别逆向设计神经网络及其在二嵌段共聚物中的应用
软凝聚态物质
2022-10-26 v1 机器学习
摘要
在这项工作中，我们设计了一种多类别逆向设计神经网络，将有序周期结构映射到物理参数。该神经网络模型由两部分组成：一个分类器与结构-参数映射（SPM）子网络。分类器用于识别结构，SPM 子网络用于预测目标结构的物理参数。我们还提出了一种可扩展的倒易空间数据增强方法，以保证周期结构的旋转与平移不变性。我们将所提网络模型与数据增强方法应用于基于 Landau-Brazovskii 模型的二维二嵌段共聚物。结果表明，该多类别逆向设计神经网络在预测目标结构的物理参数方面具有高精度。此外，多分类的思想也可推广至其他逆向设计问题。
引用
@article{arxiv.2210.13453,
title = {A multi-category inverse design neural network and its application to diblock copolymers},
author = {Dan Wei and Tiejun Zhou and Yunqing Huang and Kai Jiang},
journal= {arXiv preprint arXiv:2210.13453},
year = {2022}
}