力学网络中的习得多稳态
软凝聚态物质
2020-09-02 v1 无序系统与神经网络
统计力学
摘要
我们在创建具有期望稳定态的弹性网络时，对比了材料设计与物理学习这两种不同的框架。在设计中，期望的态事先指定，并可在计算机上利用这些知识优化材料参数。在学习中，材料按序物理地经历期望的稳定态，改变自身以稳定每一个附加的态。我们表明，虽然设计态在线性胡克弹簧网络中稳定，但序列学习需要特定的非线性弹性。我们发现此类非线性稳定了某些弹簧应变为零而另一些弹簧应变很大的态，从而起到了稀疏统计回归中所用贝叶斯先验的作用。我们的模型展示了特定的材料性质如何通过对材料自身的部署来实现新功能的持续学习。
引用
@article{arxiv.1902.08317,
title = {Learned multi-stability in mechanical networks},
author = {Menachem Stern and Matthew B. Pinson and Arvind Murugan},
journal= {arXiv preprint arXiv:1902.08317},
year = {2020}
}