利用机器学习加速可拉伸石墨烯剪纸的搜索与设计
计算物理
2018-12-21 v1 无序系统与神经网络
摘要
对薄片进行剪纸启发的切割已被证明是设计具有变态特性可拉伸材料的有效途径，其 2D 形状可转变为复杂 3D 形状。然而，寻找最优解并不简单，因为可能的切割图案数目随系统尺寸指数增长。在此，我们报道机器学习(ML)如何被用于近似目标性质（如屈服应力与屈服应变）作为切割图案的函数。我们的方法实现了对产生极端可拉伸性的剪纸设计的快速发现，并经分子动力学(MD)模拟验证。我们发现常用于视觉任务分类的卷积神经网络(CNN)可应用于回归以取得接近 MD 模拟精度的准确度。该方法随后可用于在 候选设计的大设计空间中仅以 1000 个训练样本搜索最大化弹性可拉伸性的最优设计。该示例展示了 ML 在以纯 MD 或实验为基础的方法所需迭代的一小部分寻找最优剪纸设计中的威力与潜力，而此类方法中既无已知亦无可用的控制物理先验知识。
引用
@article{arxiv.1808.06111,
title = {Accelerated search and design of stretchable graphene kirigami using machine learning},
author = {Paul Z. Hanakata and Ekin D. Cubuk and David K. Campbell and Harold S. Park},
journal= {arXiv preprint arXiv:1808.06111},
year = {2018}
}