Fugu-MT 論文翻訳(概要): Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials

論文の概要: Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials

arxiv url: http://arxiv.org/abs/2006.13886v1
Date: Mon, 22 Jun 2020 21:52:01 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 07:00:17.113345
Title: Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials
Title（参考訳）: 不均一・トポロジカルな3次元材料のための生成逆ネットワークによる組織生成
Authors: Tim Hsu, William K. Epting, Hokon Kim, Harry W. Abernathy, Gregory A. Hackett, Anthony D. Rollett, Paul A. Salvador, and Elizabeth A. Holm
Abstract要約: 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。
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: Using a large-scale, experimentally captured 3D microstructure dataset, we implement the generative adversarial network (GAN) framework to learn and generate 3D microstructures of solid oxide fuel cell electrodes. The generated microstructures are visually, statistically, and topologically realistic, with distributions of microstructural parameters, including volume fraction, particle size, surface area, tortuosity, and triple phase boundary density, being highly similar to those of the original microstructure. These results are compared and contrasted with those from an established, grain-based generation algorithm (DREAM.3D). Importantly, simulations of electrochemical performance, using a locally resolved finite element model, demonstrate that the GAN generated microstructures closely match the performance distribution of the original, while DREAM.3D leads to significant differences. The ability of the generative machine learning model to recreate microstructures with high fidelity suggests that the essence of complex microstructures may be captured and represented in a compact and manipulatable form.
Abstract（参考訳）: 大規模かつ実験的に捉えられた3Dマイクロ構造データセットを用いて, 固体酸化物燃料電池電極の3Dマイクロ構造を学習・生成するためのGANフレームワークを実装した。生成した微細構造は視覚的、統計的、トポロジカルに現実的であり、体積率、粒子径、表面積、トルトゥース性、三相境界密度などの微構造パラメータの分布は、元の微細構造と非常によく似ている。これらの結果は、確立された穀物ベースの生成アルゴリズム(dream.3d)と比較・対比される。重要なことに、局所分解有限要素モデルを用いた電気化学性能のシミュレーションは、ganが生成した微細構造がオリジナルのパフォーマンス分布と密接に一致することを示し、dream.3dは顕著な違いをもたらす。生成的機械学習モデルが高忠実度で微細構造を再現する能力は、複雑な微細構造の本質をキャプチャし、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。

関連論文リスト

Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
論文参考訳（メタデータ） (2024-11-06T23:53:34Z)
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)
A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。 U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文参考訳（メタデータ） (2024-02-24T13:42:34Z)
Denoising diffusion-based synthetic generation of three-dimensional (3D) anisotropic microstructures from two-dimensional (2D) micrographs [0.0]
条件拡散に基づく生成モデル(DGM)に基づく異方性組織再構築のための枠組みを提案する。提案するフレームワークは,複数の2次元条件付きDGMの空間的接続を伴い,それぞれが3つの異なる平面に対して2次元マイクロ構造サンプルを生成するように訓練されている。その結果, このフレームワークは材料相の統計分布だけでなく, 3次元空間における材料特性も再現可能であることがわかった。
論文参考訳（メタデータ） (2023-12-13T01:36:37Z)
Scalable Diffusion for Materials Generation [99.71001883652211]
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)
MicroLib: A library of 3D microstructures generated from 2D micrographs using SliceGAN [0.0]
3次元マイクロ構造データセットは、有限要素モデリングで使用される幾何学的領域を定義するために一般的に用いられる。任意の大きさの3Dマイクロ構造データセットを統計的に生成する機械学習手法であるSliceGANを開発した。生体材料から高強度鋼まで,87種類の組織にSliceGANを適用した結果について報告する。
論文参考訳（メタデータ） (2022-10-12T19:13:28Z)
Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の新しい手法を提案する。具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
論文参考訳（メタデータ） (2022-09-19T02:51:48Z)
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)
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)
Pores for thought: The use of generative adversarial networks for the stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries [0.0]
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。
論文参考訳（メタデータ） (2020-02-17T17:38:27Z)

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。