Buchumschlag

Machine Learning-Guided Design of Non-Reciprocal and Asymmetric Elastic Chiral Metamaterials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yuan, Lingxiao, Lejeune, Emma, Park, Harold S.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Applied Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Advancing Machine Learning Optimization of Chiral Photonic Metasurface: Comparative Study of Neural Network and Genetic Algorithm Approaches
von: Filippozzi, Davide, et al.
Veröffentlicht: (2025)

Physics-Informed Machine Learning for Efficient Reconfigurable Intelligent Surface Design
von: Zhang, Zhen, et al.
Veröffentlicht: (2025)

Design of Cavity Backed Slotted Antenna using Machine Learning Regression Model
von: Sutrakar, Vijay Kumar, et al.
Veröffentlicht: (2025)

Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management
von: Luo, Jiajian, et al.
Veröffentlicht: (2024)

A Certifiable Machine Learning-Based Pipeline to Predict Fatigue Life of Aircraft Structures
von: Ladrón, Ángel, et al.
Veröffentlicht: (2025)

Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures
von: Bond, R. Bailey, et al.
Veröffentlicht: (2024)

Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective
von: Marinho, Natália Ribeiro, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Photonic Component Design
von: Witt, Donald, et al.
Veröffentlicht: (2023)

Uncertainty Reasoning with Photonic Bayesian Machines
von: Brückerhoff-Plückelmann, F., et al.
Veröffentlicht: (2025)

Experimental Machine Learning with Classical and Quantum Data via NMR Quantum Kernels
von: Sabarad, Vivek, et al.
Veröffentlicht: (2024)

Acoustic Structure Inverse Design and Optimization Using Deep Learning
von: Sun, Xuecong, et al.
Veröffentlicht: (2021)

Machine Learning Enhanced Laser Spectroscopy for Multi-Species Gas Detection in Complex and Harsh Environments
von: Sy, Mohamed
Veröffentlicht: (2026)

Machine Learning and Kalman Filtering for Nanomechanical Mass Spectrometry
von: Erdogan, Mete, et al.
Veröffentlicht: (2023)

Klein Tunneling of Gigahertz Elastic Waves in Nanoelectromechanical Metamaterials
von: Lee, Daehun, et al.
Veröffentlicht: (2024)

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2026)

Machine Learning Based Prediction of Proton Conductivity in Metal-Organic Frameworks
von: Han, Seunghee, et al.
Veröffentlicht: (2024)

Fabrication-Directed Entanglement for Designing Chiral and Anisotropic Metamaterial Foams
von: Revier, Daniel, et al.
Veröffentlicht: (2025)

Real-time, Adaptive Radiological Anomaly Detection and Isotope Identification Using Non-negative Matrix Factorization
von: Jones, Chandler, et al.
Veröffentlicht: (2025)

Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells
von: Pu, Yang, et al.
Veröffentlicht: (2024)

Intelligent Optimization and Machine Learning Algorithms for Structural Anomaly Detection using Seismic Signals
von: Trapp, Maximilian, et al.
Veröffentlicht: (2024)

Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models
von: Goyes-Peñafiel, Paul, et al.
Veröffentlicht: (2024)

A rapid approach to urban traffic noise mapping with a generative adversarial network
von: Yang, Xinhao, et al.
Veröffentlicht: (2024)

LEIA: Learned Environment for Interactive Architected Materials
von: Yang, Haiqian, et al.
Veröffentlicht: (2026)

Metal Oxide-based Gas Sensor Array for the VOCs Analysis in Complex Mixtures using Machine Learning
von: Singh, Shivam, et al.
Veröffentlicht: (2023)

Physics-Aware Machine-Learning-Driven Inverse Design of Broadband Ultra-Open Acoustic Metamaterials
von: Yang, Zhiwei, et al.
Veröffentlicht: (2026)

Diffusion-Based Electromagnetic Inverse Design of Scattering Structured Media
von: Tsukerman, Mikhail, et al.
Veröffentlicht: (2025)

Inverse Design in Nanophotonics via Representation Learning
von: Marzban, Reza, et al.
Veröffentlicht: (2025)

Machine Learning Resistant Amorphous Silicon Physically Unclonable Functions (PUFs)
von: Kilic, Velat, et al.
Veröffentlicht: (2024)

Design of Resistive Frequency Selective Surface based Radar Absorbing Structure-A Deep Learning Approach
von: Sutrakar, Vijay Kumar, et al.
Veröffentlicht: (2025)

Longitudinal-Twist Wave Converter based on Chiral Metamaterials
von: Lemkalli, Brahim, et al.
Veröffentlicht: (2022)

Physics-Guided Concentration Inference from Resistance Transients in a Mixed-Phase SnO-SnO$_2$ Carbon Monoxide Sensor with p-n Switching
von: Biswas, Sani, et al.
Veröffentlicht: (2026)

A Supervised Machine Learning Framework for Multipactor Breakdown Prediction in High-Power Radio Frequency Devices and Accelerator Components: A Case Study in Planar Geometry
von: Iqbal, Asif, et al.
Veröffentlicht: (2025)

Selective Actuation Enabled Multifunctional Magneto-mechanical Metamaterial for Programming Elastic Wave Propagation
von: Sim, Jay, et al.
Veröffentlicht: (2024)

Quasicrystal Architected Nanomechanical Resonators via Data-Driven Design
von: Li, Kawen, et al.
Veröffentlicht: (2026)

Coexisting Euler and Stiefel-Whitney Topological Phases in Elastic Metamaterials
von: Tang, Jijie, et al.
Veröffentlicht: (2025)

AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction
von: Hettige, Kethmi Hirushini, et al.
Veröffentlicht: (2024)

Space-Time Elastic Metamaterials for Zero-Frequency and Zero-Wavenumber Bandgaps
von: Lemkalli, Brahim, et al.
Veröffentlicht: (2025)

Automotive Crash Dynamics Modeling Accelerated with Machine Learning
von: Nabian, Mohammad Amin, et al.
Veröffentlicht: (2025)

TunnElQNN: A Hybrid Quantum-classical Neural Network for Efficient Learning
von: Abbas, A. H.
Veröffentlicht: (2025)

Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2022)