論文の概要: Pores for thought: The use of generative adversarial networks for the
stochastic reconstruction of 3D multi-phase electrode microstructures with
periodic boundaries
- arxiv url: http://arxiv.org/abs/2003.11632v2
- Date: Mon, 4 May 2020 21:37:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 11:48:51.839458
- Title: Pores for thought: The use of generative adversarial networks for the
stochastic reconstruction of 3D multi-phase electrode microstructures with
periodic boundaries
- Title(参考訳): 考察:周期的境界を有する3次元多相電極構造の確率的再構成における生成的対向ネットワークの利用
- Authors: Andrea Gayon-Lombardo, Lukas Mosser, Nigel P. Brandon, Samuel J.
Cooper
- Abstract要約: 本研究は, 現実的なn相マイクロ構造データを生成するために, 深い畳み込み生成対向ネットワーク(DC-GAN)を実装した。
実データと合成データの比較は, 形態学的特性の観点から行う。
生成器への入力を変更することで、周期的な境界を持つマイクロ構造を3方向すべてに生成できることが示される。
- 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 generation of multiphase porous electrode microstructures is a critical
step in the optimisation of electrochemical energy storage devices. This work
implements a deep convolutional generative adversarial network (DC-GAN) for
generating realistic n-phase microstructural data. The same network
architecture is successfully applied to two very different three-phase
microstructures: A lithium-ion battery cathode and a solid oxide fuel cell
anode. A comparison between the real and synthetic data is performed in terms
of the morphological properties (volume fraction, specific surface area,
triple-phase boundary) and transport properties (relative diffusivity), as well
as the two-point correlation function. The results show excellent agreement
between for datasets and they are also visually indistinguishable. By modifying
the input to the generator, we show that it is possible to generate
microstructure with periodic boundaries in all three directions. This has the
potential to significantly reduce the simulated volume required to be
considered representative and therefore massively reduce the computational cost
of the electrochemical simulations necessary to predict the performance of a
particular microstructure during optimisation.
- Abstract(参考訳): 多相多孔質電極構造の生成は、電気化学エネルギー貯蔵デバイスの最適化において重要なステップである。
本研究は, 現実的なn相マイクロ構造データを生成するために, 深い畳み込み生成対向ネットワーク(DC-GAN)を実装した。
同じネットワークアーキテクチャは、リチウムイオン電池陰極と固体酸化物燃料電池陽極という、2つの非常に異なる3相構造にうまく適用されている。
実データと合成データの比較は、形態的性質(体積率、比表面積、三相境界)と輸送特性(相対拡散率)および二点相関関数を用いて行われる。
結果はデータセット間での良好な一致を示し、それらもまた視覚的に区別できない。
生成器への入力を変更することで、周期的な境界を持つマイクロ構造を3方向すべてに生成できることを示す。
これは、代表となるのに必要な模擬体積を著しく削減し、最適化中の特定のミクロ組織の性能を予測するのに必要な電気化学シミュレーションの計算コストを大幅に削減する可能性がある。
関連論文リスト
- A Neural Network Transformer Model for Composite Microstructure
Homogenization [0.0]
複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。
本稿では,様々なミクロ構造や構成成分の知識を捉えるトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
論文 参考訳(メタデータ) (2023-04-16T19:57:52Z) - CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using
Transformer-based Neural Representations [49.49939711956354]
核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。
3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。
我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
論文 参考訳(メタデータ) (2023-03-28T18:59:17Z) - 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。
また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文 参考訳(メタデータ) (2023-03-21T17:58:49Z) - Enhancing the Coherence of Superconducting Quantum Bits with Electric
Fields [62.997667081978825]
印加された直流電界を用いて、クォービット共鳴から外れた欠陥を調整することにより、クビットコヒーレンスを向上させることができることを示す。
また、超伝導量子プロセッサにおいて局所ゲート電極をどのように実装し、個々の量子ビットの同時コヒーレンス最適化を実現するかについても論じる。
論文 参考訳(メタデータ) (2022-08-02T16:18:30Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳(メタデータ) (2022-05-31T13:26:51Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale
bridging between electronic structure, statistical mechanics and phase field
theories [0.0]
Li$_xTM$O$$ (TM=Ni, Co, Mn) は、Liイオン電池の電気化学的サイクリング性能が原子スケールでのLi含有量の関数としての結晶構造と相安定性に強く支配されるカソードである。
ここでは、Li$_x$CoO$$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークする。
論文 参考訳(メタデータ) (2021-04-16T19:00:59Z) - Microstructure Generation via Generative Adversarial Network for
Heterogeneous, Topologically Complex 3D Materials [0.0]
我々は, 固体酸化物燃料電池電極の3次元微細構造を学習・生成するために, GAN(Generative Adversarial Network)フレームワークを実装した。
粒子生成アルゴリズム(DREAM.3D)による結果との比較および比較を行った。
高忠実度でマイクロ構造を再現する生成機械学習モデルの能力は、複雑なマイクロ構造の本質を捕捉し、コンパクトでマニピュラブルな形で表現できることを示唆している。
論文 参考訳(メタデータ) (2020-06-22T21:52:01Z) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳(メタデータ) (2020-04-05T16:58:31Z)
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。