Learning Topology-Aware Representations for Mechanics-Relevant TPMS Metamaterials
中文摘要
由模型生成 · 人工抽检该论文提出拓扑感知表示学习框架，将持续同调融入DMAE骨干网络，显式编码TPMS机械超材料的全局结构连通性。通过持续引导掩码和辅助同调解码器，在家族分类、力学性能分类、无监督聚类和回归任务上均取得提升，聚类性能最高提升51.5%，为复杂三维力学超材料的表示学习提供了有效的拓扑归纳偏置。
全文
已译中文arXiv:2610.20684v1 公告类型：新
摘要：学习机械三重周期最小曲面（TPMS）超材料的信息性表征对于力学分析和结构设计具有重要意义，然而现有方法很少利用与力学响应相关的全局结构连通性信息来显式监督学习到的表征。我们提出了一种拓扑感知表征学习框架，将持久同调（persistent homology）集成到DMAE骨干网络中，以显式编码全局结构连通性。持久性引导的掩码策略优先处理与持久拓扑特征相关的图块（patch），而辅助的持久同调解码器则促使潜在表征保留关于连通分量、隧道和孔洞的拓扑特征计数信息。我们在两个互补的TPMS数据集上，通过族分类、力学性能分类、无监督聚类和回归任务对学习到的表征进行评估。在两个数据集上，我们的方法在结构族分类和力学性能分类方面均展现出强劲性能，族分类提升最高达3.9%，同时取得了最佳的线性探针（linear-probe）性能。更值得注意的是，无监督性能聚类在两个数据集上分别提升最高达26.7%和51.5%，同时保持了强劲的回归性能，$R^2=0.993$。这些结果确立了持久拓扑作为复杂三维力学超材料表征学习的有效归纳偏置。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。