論文の概要: Learning Composable Energy Surrogates for PDE Order Reduction
- arxiv url: http://arxiv.org/abs/2005.06549v2
- Date: Fri, 15 May 2020 12:29:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 10:14:32.183214
- Title: Learning Composable Energy Surrogates for PDE Order Reduction
- Title(参考訳): PDE整列化のための構成可能エネルギーサロゲートの学習
- Authors: Alex Beatson, Jordan T. Ash, Geoffrey Roeder, Tianju Xue, Ryan P.
Adams
- Abstract要約: パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
- 参考スコア(独自算出の注目度): 28.93892833892805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meta-materials are an important emerging class of engineered materials in
which complex macroscopic behaviour--whether electromagnetic, thermal, or
mechanical--arises from modular substructure. Simulation and optimization of
these materials are computationally challenging, as rich substructures
necessitate high-fidelity finite element meshes to solve the governing PDEs. To
address this, we leverage parametric modular structure to learn component-level
surrogates, enabling cheaper high-fidelity simulation. We use a neural network
to model the stored potential energy in a component given boundary conditions.
This yields a structured prediction task: macroscopic behavior is determined by
the minimizer of the system's total potential energy, which can be approximated
by composing these surrogate models. Composable energy surrogates thus permit
simulation in the reduced basis of component boundaries. Costly ground-truth
simulation of the full structure is avoided, as training data are generated by
performing finite element analysis with individual components. Using dataset
aggregation to choose training boundary conditions allows us to learn energy
surrogates which produce accurate macroscopic behavior when composed,
accelerating simulation of parametric meta-materials.
- Abstract(参考訳): メタマテリアルは、モジュラーな部分構造から電磁的、熱的、機械的に、複雑なマクロな挙動を持つ重要な工学的材料である。
これらの物質のシミュレーションと最適化は計算的に困難であり、リッチなサブ構造は支配的PDEを解決するために高忠実度有限要素メッシュを必要とする。
これを解決するために、パラメトリックなモジュラ構造を利用してコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、与えられた境界条件のコンポーネントに蓄積されたポテンシャルエネルギーをモデル化する。
マクロな振る舞いはシステムの全ポテンシャルエネルギーの最小化によって決定され、これらのサロゲートモデルを構成することで近似することができる。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
個々の成分で有限要素解析を行うことでトレーニングデータを生成するため、構造全体のコストのかかる地中シミュレーションを回避する。
トレーニング境界条件の選択にデータセットアグリゲーションを用いることで,パラメータメタマテリアルのシミュレーションを高速化し,合成時に正確なマクロな振る舞いをもたらすエネルギー代理を学習することができる。
関連論文リスト
- Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Latent Conservative Objective Models for Data-Driven Crystal Structure
Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。
この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。
我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文 参考訳(メタデータ) (2023-10-16T04:35:44Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - A physics-aware deep learning model for energy localization in
multiscale shock-to-detonation simulations of heterogeneous energetic
materials [0.0]
不均一エネルギー材料における衝撃-起爆遷移(SDT)の予測シミュレーションは、そのエネルギー放出と感度の設計と制御に不可欠である。
本研究では,EMのSDTシミュレーションのための効率的かつ高精度なマルチスケールフレームワークを提案する。
本研究では, 深層学習を用いたSDTシミュレーションのための新しい手法を提案し, 衝撃開始EMマイクロ構造のメソスケールエネルギー局在をモデル化する。
論文 参考訳(メタデータ) (2022-11-08T21:16:00Z) - Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification [0.42581756453559755]
この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
論文 参考訳(メタデータ) (2022-10-13T16:40:11Z) - Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文 参考訳(メタデータ) (2022-07-24T06:02:26Z) - PARC: Physics-Aware Recurrent Convolutional Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。
PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
論文 参考訳(メタデータ) (2022-04-04T14:29:35Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文 参考訳(メタデータ) (2020-11-04T21:36:59Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳(メタデータ) (2020-03-20T20:39:19Z)
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。