論文の概要: A General Framework Combining Generative Adversarial Networks and
Mixture Density Networks for Inverse Modeling in Microstructural Materials
Design
- arxiv url: http://arxiv.org/abs/2101.10553v1
- Date: Tue, 26 Jan 2021 04:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:48:52.938971
- Title: A General Framework Combining Generative Adversarial Networks and
Mixture Density Networks for Inverse Modeling in Microstructural Materials
Design
- Title（参考訳）: 構造材料設計における逆モデリングのための生成逆ネットワークと混合密度ネットワークを組み合わせた汎用フレームワーク
- Authors: Zijiang Yang, Dipendra Jha, Arindam Paul, Wei-keng Liao, Alok
Choudhary, Ankit Agrawal
- Abstract要約: 逆問題は通常、科学的応用においてより重要であり、困難である。
逆問題は、地球物理学、医療、材料科学など様々な科学分野で広く使われている。
本稿では,逆モデリングのための生成逆数ネットワークと混合密度ネットワークからなるフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.562761585256114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microstructural materials design is one of the most important applications of
inverse modeling in materials science. Generally speaking, there are two broad
modeling paradigms in scientific applications: forward and inverse. While the
forward modeling estimates the observations based on known parameters, the
inverse modeling attempts to infer the parameters given the observations.
Inverse problems are usually more critical as well as difficult in scientific
applications as they seek to explore the parameters that cannot be directly
observed. Inverse problems are used extensively in various scientific fields,
such as geophysics, healthcare and materials science. However, it is
challenging to solve inverse problems, because they usually need to learn a
one-to-many non-linear mapping, and also require significant computing time,
especially for high-dimensional parameter space. Further, inverse problems
become even more difficult to solve when the dimension of input (i.e.
observation) is much lower than that of output (i.e. parameters). In this work,
we propose a framework consisting of generative adversarial networks and
mixture density networks for inverse modeling, and it is evaluated on a
materials science dataset for microstructural materials design. Compared with
baseline methods, the results demonstrate that the proposed framework can
overcome the above-mentioned challenges and produce multiple promising
solutions in an efficient manner.
- Abstract（参考訳）: 構造材料設計は材料科学における逆モデリングの最も重要な応用の一つである。
一般的に、科学的な応用には2つの広いモデリングパラダイムがあります。
フォワードモデリングは既知のパラメータに基づいて観測を推定するが、逆モデリングは観測されたパラメータを推測しようとする。
逆問題は通常、直接観察できないパラメータを探索しようとするため、科学的な応用では困難であるだけでなく、より批判的です。
逆問題は、地球物理学、医療、材料科学など様々な科学分野で広く使われている。
しかし、通常は1対多の非線形写像を学習し、特に高次元のパラメータ空間においてかなりの計算時間を必要とするため、逆問題の解決は困難である。
さらに、入力の次元(すなわち)が変わると、逆問題はさらに解決しにくくなる。
観察)は出力(すなわち出力)よりもはるかに低い。
パラメータ)。
本研究では,逆モデリングのための生成逆数ネットワークと混合密度ネットワークからなるフレームワークを提案し,マイクロ構造材料設計のための材料科学データセットで評価する。
ベースライン手法と比較して,提案されたフレームワークが上記の課題を克服し,複数の有望なソリューションを効率的に生成できることを実証した。
関連論文リスト
- Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。
マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T15:40:05Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables [0.0]
材料科学において、望ましい性質を持つ急速プロトタイピングの課題は、しばしば適切な微細構造を見つけるために広範な実験を必要とする。
生成機械学習モデルを使用することは、計算コストの低減にも有効である。
これは、例えば、モデルへの条件付け入力として連続的なプロパティ変数を必要とするため、新しい課題が伴う。
本稿では,既存手法の欠点を考察し,浮動小数点数のバイナリ表現に基づく生成モデルの新たな埋め込み戦略と比較する。
これにより正規化の必要性を排除し、情報を保存し、生成モデルを条件付けするための汎用的な埋め込み空間を作成する。
論文 参考訳（メタデータ） (2023-11-19T15:03:19Z) - 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) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Constitutive model characterization and discovery using physics-informed
deep learning [0.0]
モデルの特徴と発見のための物理インフォームド・ラーニング・マシンに基づく新しい手法を提案する。
提案するフレームワークは,von Misesファミリーとは異なるデータセットを記述する基盤モデルを効率的に同定できることを実証する。
論文 参考訳（メタデータ） (2022-03-18T08:10:02Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳（メタデータ） (2022-03-15T19:08:13Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Scalable Gaussian Processes for Data-Driven Design using Big Data with
Categorical Factors [14.337297795182181]
ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。
本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。
本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
論文 参考訳（メタデータ） (2021-06-26T02:17:23Z) - SPANet: Generalized Permutationless Set Assignment for Particle Physics
using Symmetry Preserving Attention [62.43586180025247]
大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。
崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。
本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-07T18:18:20Z)
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。