論文の概要: Scale bridging materials physics: Active learning workflows and integrable deep neural networks for free energy function representations in alloys

• arxiv url: http://arxiv.org/abs/2002.02305v5
• Date: Mon, 6 Jul 2020 20:31:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 12:39:08.385054
• Title: Scale bridging materials physics: Active learning workflows and integrable deep neural networks for free energy function representations in alloys
• Title（参考訳）: スケールブリッジ材料物理:合金における自由エネルギー関数表現のためのアクティブラーニングワークフローと統合型ディープニューラルネットワーク
• Authors: Gregory Teichert, Anirudh Natarajan, Anton Van der Ven, Krishna Garikipati
• Abstract要約: メカノケミカル相互作用材料システムでは、組成のみを考慮しても、秩序パラメータやひずみは自由エネルギーを合理的に高次元にすることができる。 大規模ブリッジングのパラダイムとして自由エネルギーを提案する際、我々はそのような高次元関数の表現にニューラルネットワークを利用したことがある。 我々は,原子スケールモデルと統計力学から得られるエネルギーデリバティブデータを学習し,解析的に積分して自由エネルギー密度関数を復元する統合型ディープニューラルネットワーク(IDNN)を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The free energy plays a fundamental role in descriptions of many systems in continuum physics. Notably, in multiphysics applications, it encodes thermodynamic coupling between different fields. It thereby gives rise to driving forces on the dynamics of interaction between the constituent phenomena. In mechano-chemically interacting materials systems, even consideration of only compositions, order parameters and strains can render the free energy to be reasonably high-dimensional. In proposing the free energy as a paradigm for scale bridging, we have previously exploited neural networks for their representation of such high-dimensional functions. Specifically, we have developed an integrable deep neural network (IDNN) that can be trained to free energy derivative data obtained from atomic scale models and statistical mechanics, then analytically integrated to recover a free energy density function. The motivation comes from the statistical mechanics formalism, in which certain free energy derivatives are accessible for control of the system, rather than the free energy itself. Our current work combines the IDNN with an active learning workflow to improve sampling of the free energy derivative data in a high-dimensional input space. Treated as input-output maps, machine learning accommodates role reversals between independent and dependent quantities as the mathematical descriptions change with scale bridging. As a prototypical system we focus on Ni-Al. Phase field simulations using the resulting IDNN representation for the free energy density of Ni-Al demonstrate that the appropriate physics of the material have been learned. To the best of our knowledge, this represents the most complete treatment of scale bridging, using the free energy for a practical materials system, that starts with electronic structure calculations and proceeds through statistical mechanics to continuum physics.
• Abstract（参考訳）: 自由エネルギーは連続体物理学における多くの系の記述において基本的な役割を果たす。 特に多物理応用においては、異なる磁場間の熱力学的結合を符号化する。 これにより、構成現象間の相互作用のダイナミクスを駆動する力が生じる。 メカノケミカル相互作用材料システムでは、組成のみを考慮しても、秩序パラメータやひずみは自由エネルギーを合理的に高次元にすることができる。 スケールブリッジングのパラダイムとして自由エネルギーを提案する際、我々はニューラルネットワークをそのような高次元関数の表現に利用してきた。 具体的には,原子スケールモデルと統計力学から得られた自由エネルギー導出データを訓練し,解析的に統合して自由エネルギー密度関数を回収する統合型深層ニューラルネットワーク(idnn)を開発した。 この動機は、自由エネルギーそのものではなく、ある自由エネルギー微分がシステムの制御に利用できるという統計力学の形式主義に由来する。 現在の研究は、idnnとアクティブラーニングワークフローを組み合わせることで、高次元入力空間における自由エネルギーデリバティブデータのサンプリングを改善する。 入力出力マップとして扱われる機械学習は、数学的記述がスケールブリッジングによって変化するにつれて、独立量と依存量の間の役割逆転を許容する。 原型系として、我々はNi-Alに焦点を当てる。 Ni-Alの自由エネルギー密度に対するIDNN表現を用いた相場シミュレーションにより、材料の適切な物理が学習されたことを示す。 私たちの知る限りでは、これは、電子構造計算から始まり、統計力学から連続体物理学へと進む、実用的な材料システムに自由エネルギーを用いる、スケールブリッジの最も完全な処理である。

関連論文リスト

• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
  我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。 これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
  論文  参考訳（メタデータ） (2024-02-26T15:01:54Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Finding the Dynamics of an Integrable Quantum Many-Body System via Machine Learning [0.0]
  学習手法を用いて,ガウディン磁石(中心スピンモデル)の力学について検討する。 この直感によって部分的に動機付けられ、モデルハミルトニアンの各変分固有状態に対してニューラル・ネットワーク表現を用いる。 この感受性の効率的な説明を持つことで、量子二段階系の環境と相互作用する量子ビットのキャラクタリゼーションと量子制御手順の改善への扉を開くことができる。
  論文  参考訳（メタデータ） (2023-07-06T21:49:01Z)
• KineticNet: Deep learning a transferable kinetic energy functional for orbital-free density functional theory [13.437597619451568]
  KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。 初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
  論文  参考訳（メタデータ） (2023-05-08T17:43:31Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Automatically Polyconvex Strain Energy Functions using Neural Ordinary Differential Equations [0.0]
  深層ニューラルネットワークは、フォーム近似の制約なしに複雑な物質を学習することができる。 N-ODE材料モデルは、クローズドフォーム材料モデルから生成された合成データをキャプチャすることができる。 フレームワークは、大きな種類の材料をモデル化するのに使用できます。
  論文  参考訳（メタデータ） (2021-10-03T13:11:43Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Accelerating Finite-temperature Kohn-Sham Density Functional Theory with Deep Neural Networks [2.7035666571881856]
  本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。 ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。 本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
  論文  参考訳（メタデータ） (2020-10-10T05:38:03Z)
• Solving Quasiparticle Band Spectra of Real Solids using Neural-Network Quantum States [0.0]
  人工ニューラルネットワークは、拡張周期材料の第一原理計算に優れたツールであることを示す。 1次元, 2次元, 3次元系における実固体の基底状態エネルギーは, 正確にシミュレートされている。 この研究は、固体系の興味深く複雑な多体現象を解明する道を開く。
  論文  参考訳（メタデータ） (2020-10-03T13:41:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。