面向纳米多孔金属弹性常数预测的可迁移3D卷积神经网络
材料科学
2026-05-21 v1
摘要
纳米多孔金属的拓扑结构对于决定其力学响应至关重要。本文生成了6000个金属和422个银纳米多孔结构，通过分子动力学仿真计算得到三个弹性模量分量，形成19,263个数据点。本研究比较了两种预测弹性模量的方法：一种是基于预计算的拓扑描述子训练的全连接神经网络，另一种是改编自计算机视觉的几种3D卷积神经网络架构。3D CNN的性能优于描述子基线模型（），其中DenseNet-201架构实现的最佳性能为。此外，还考察了训练网格分辨率、数据集规模以及描述子集成到模型中的影响。我们进一步通过迁移学习证明了模型的鲁棒性：将预训练模型在更小的更密集金属结构数据集上微调，以及在更密集银结构数据集上进行训练。最后，我们利用训练好的模型评估了10万个随机纳米多孔金刚结构的力学性能，并识别出帕累托最优设计。
引用
@article{arxiv.2605.20890,
title = {Transferable 3D Convolutional Neural Networks for Elastic Constants Prediction in Nanoporous Metals},
author = {Sergei Zorkaltsev and Rafał Topolnicki and Tal-El Carmon and Santhosh Mathesan and Paweł Dłotko and Dan Mordehai and Maciej Harańczyk},
journal= {arXiv preprint arXiv:2605.20890},
year = {2026}
}
备注
20 pages, 7 figures, supplement, dedicated github repo