lamm-mit/leaf-images

LeafGAN是一个使用无监督生成对抗网络（GAN）设计受自然启发的结构材料的模型。该模型通过训练未标记的数据构建了一个无需人工干预的潜在空间，可以通过播种、图像编码和向量算术来控制新生成材料设计的特定参数，并将其推至训练数据分布之外以实现广泛适用性。此外，该模型还使用遗传算法直接在潜在空间上优化生成的微结构以获得机械性能。

原始信息汇总

LeafGAN: Nature-inspired architected materials using unsupervised deep learning

参考文献

Shen, S.C., Buehler, M.J. Nature-inspired Architected materials using unsupervised deep learning. Communications Engineering, 2022, DOI: https://www.nature.com/articles/s44172-022-00037-0

摘要

自然启发的材料设计受到自然结构材料的优越性能驱动，并得益于增材制造和机器学习的最新发展。现有的推动设计超越仿生学的方法通常使用监督深度学习算法，基于实验或模拟数据预测和优化属性。然而，这些方法将生成的材料设计限制在抽象标签和“黑箱”输出上，这些输出只能间接操纵。本文报道了一种使用无监督生成对抗网络（GAN）模型的替代方法。在未标记数据上训练模型构建了一个无人类干预的潜在空间，然后可以通过种子化、图像编码和向量算术来探索该空间，以控制新生成材料设计的特定参数，并推动它们超越训练数据分布，实现广泛适用性。我们通过受叶子微结构启发的新材料展示了这一端到端过程，展示了如何使用生物2D结构开发新型结构材料在2维和3维中。我们还利用遗传算法直接在潜在空间上优化生成的微结构，以优化机械性能。这种方法允许通过潜在空间作为中介在表现形式之间传递信息，为探索自然启发材料开辟了新的途径。

代码

https://github.com/lamm-mit/LeafGAN/