Fugu-MT 論文翻訳(概要): Pores for thought: The use of generative adversarial networks for the stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries

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

DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
論文参考訳（メタデータ） (2024-10-17T17:20:24Z)
Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization [0.0]
機械学習は固体酸化物燃料電池電極の研究と開発を迅速化するための強力な計算ツールとして登場した。本稿では,計算トポロジから導出した永続化表現を利用した新しい手法を提案する。人工ニューラルネットワークは、固体酸化物燃料電池電極の偏極曲線を正確に予測することができる。
論文参考訳（メタデータ） (2024-10-04T19:00:37Z)
A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。本稿では,様々なミクロ構造の知識を捉えた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。ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
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)
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)
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。