변형 의존 포아송 비율 조정이 가능한 2D 메타물질 구조의 기계 학습 기반 예측 및 역설계

최근의 효율적이고 사전 지식이 없는 기계 학습 (ML) 알고리즘의 도움으로, 음의 포아송 비율과 같은 비상한 기계적 특성이 독특한 세포 구조를 가진 메타물질의 다양한 설계를 촉진하고 있습니다. 그러나 메타물질 설계에 적용되는 기존의 대부분의 ML 접근 방식은 재료의 포아송 비율이 고정되어 있다는 가정을 바탕으로 단일 속성 값에 주로 기반하고 있어, 전통적인 재료와는 다른 메타물질이 경험할 수 있는 하중 과정 중의 포아송 비율의 동적 변동성인 변형 의존 포아송 비율을 간과하고 있습니다. 본 논문은 먼저 복잡하지만 패턴화된 위상 구조를 가진 2D 메타물질을 구축하기 위한 결정 대칭 기반 방법론을 제안하고, 이를 분자 동역학 시뮬레이션에 적합한 계산 모델로 변환합니다. 그리고 포아송 비율의 동적 특성을 예측할 수 있는 기계 학습 알고리즘(CNN 및 Cycle-GAN)과 함께 교육/검증을 위한 대규모 데이터 세트를 생성하고 수집할 수 있는 분자 동역학 시뮬레이션으로 구성된 통합 접근 방식을 활용하여, 목표 준연속 포아송 비율-변형 곡선을 기반으로 한 메타물질 구조의 역설계를 제공함으로써, 결국 조정 가능한 포아송 비율을 가진 2D 메타물질 구조의 기본 메커니즘과 설계 원칙을 밝히고자 합니다. 미리 정의된 포아송 비율 응답과 생성된 구조 간의 밀접한 일치는 제안된 ML 모델의 실행 가능성을 검증합니다. 높은 효율성과 완전한 사전 지식 독립성을 덕분에, 우리가 제안한 접근 방식은 맞춤형 변형 의존 포아송 비율을 가진 메타물질 구조의 예측 및 역설계에 대한 새로운 강력한 기술을 제공합니다. 이 속성은 유연한 전자기기, 소프트 로보틱스 및 나노 장치에서 매력적입니다.