論文の概要: Predictive modeling approaches in laser-based material processing
- arxiv url: http://arxiv.org/abs/2006.07686v1
- Date: Sat, 13 Jun 2020 17:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 21:34:35.045557
- Title: Predictive modeling approaches in laser-based material processing
- Title（参考訳）: レーザー材料加工における予測モデリング手法
- Authors: Maria Christina Velli, George D. Tsibidis, Alexandros Mimidis,
Evangelos Skoulas, Yannis Pantazis and Emmanuel Stratakis
- Abstract要約: 本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
- 参考スコア（独自算出の注目度）: 59.04160452043105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive modelling represents an emerging field that combines existing and
novel methodologies aimed to rapidly understand physical mechanisms and
concurrently develop new materials, processes and structures. In the current
study, previously-unexplored predictive modelling in a key-enabled technology,
the laser-based manufacturing, aims to automate and forecast the effect of
laser processing on material structures. The focus is centred on the
performance of representative statistical and machine learning algorithms in
predicting the outcome of laser processing on a range of materials. Results on
experimental data showed that predictive models were able to satisfactorily
learn the mapping between the laser input variables and the observed material
structure. These results are further integrated with simulation data aiming to
elucidate the multiscale physical processes upon laser-material interaction. As
a consequence, we augmented the adjusted simulated data to the experimental and
substantially improved the predictive performance, due to the availability of
increased number of sampling points. In parallel, a metric to identify and
quantify the regions with high predictive uncertainty, is presented, revealing
that high uncertainty occurs around the transition boundaries. Our results can
set the basis for a systematic methodology towards reducing material design,
testing and production cost via the replacement of expensive trial-and-error
based manufacturing procedure with a precise pre-fabrication predictive tool.
- Abstract（参考訳）: 予測モデリングは、物理的メカニズムを迅速に理解し、新しい材料、プロセス、構造を同時に開発することを目的とした、既存の方法論と新しい方法論を組み合わせた新興分野である。
現在の研究では、キー対応技術における未探索の予測モデルであるレーザーベースの製造が、材料構造に対するレーザー処理の効果の自動化と予測を目的としている。
この焦点は、様々な材料上でのレーザ処理の結果を予測するために、統計および機械学習の代表的なアルゴリズムの性能に焦点を当てている。
実験結果から, レーザ入力変数と観測材料構造とのマッピングを, 予測モデルで十分に学習できることが確認された。
これらの結果は、レーザー-材料相互作用による多スケール物理過程の解明を目的としたシミュレーションデータとさらに統合される。
その結果,調整されたシミュレーションデータを実験値に拡張し,サンプリング点数の増加により予測性能が大幅に向上した。
平行して、予測の不確実性の高い領域を特定し定量化する指標を示し、遷移境界付近で高い不確実性が発生することを示した。
本研究は, 高価な試行錯誤に基づく製造手順を, 精密なプレファブリケーション予測ツールに置き換えることで, 材料設計, 試験, 製造コストを削減するための体系的手法の基礎を定めている。
関連論文リスト
- Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems [0.8388591755871736]
侵入検知システム(IDS)は継続的に改善されている。
その多くは、脅威を特定するために機械学習(ML)技術を採用している。
本稿では,この研究ギャップを埋める研究について述べる。
論文 参考訳（メタデータ） (2024-07-15T14:30:25Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects [5.574191640970887]
本稿では,相互作用する欠陥のあるシステムの自由エネルギー変化を予測する3つの方法の比較研究を行う。
その結果,この限られたデータセットであっても,クラスタ展開モデルによって正確なエネルギー予測が達成できることが示唆された。
本研究では,不完全な表面システムに機械学習を適用した予備評価を行う。
論文 参考訳（メタデータ） (2024-03-20T02:15:48Z) - Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。
結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文 参考訳（メタデータ） (2023-11-01T20:49:59Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳（メタデータ） (2023-05-16T17:31:50Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳（メタデータ） (2022-10-07T18:00:09Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - Modeling and Optimizing Laser-Induced Graphene [59.8912133964006]
レーザ誘起グラフェンの生成の最適化を記述したデータセットを提供する。
提供するデータセットに基づいて,3つの課題を提起します。
興味のあるユーザにとっての出発点として、図解的な結果と、それらを生成するためのコードを提示します。
論文 参考訳（メタデータ） (2021-07-29T18:08:24Z)
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。