論文の概要: Discovery of Physics and Characterization of Microstructure from Data
with Bayesian Hidden Physics Models
- arxiv url: http://arxiv.org/abs/2103.07502v1
- Date: Fri, 12 Mar 2021 19:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:50:12.521739
- Title: Discovery of Physics and Characterization of Microstructure from Data
with Bayesian Hidden Physics Models
- Title（参考訳）: ベイジアン隠れ物理モデルによる物理の発見とデータからの微細構造のキャラクタリゼーション
- Authors: Steven Atkinson and Yiming Zhang and Liping Wang
- Abstract要約: まず, 金属試料中の音響インパルスの伝播を規定する物理を, プリスチン試料から得られたデータを用いて明らかにする。
次に、学習した物理を用いて、表面破断欠陥のある別個の標本の微細構造を特徴づける。
興味深いことに、最初の標本から学んだ物理学は、後者のサンプルで観察された後方散乱を理解するのに役立ちます。
- 参考スコア（独自算出の注目度）: 3.233903327116536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been a surge in the interest of using machine learning techniques
to assist in the scientific process of formulating knowledge to explain
observational data. We demonstrate the use of Bayesian Hidden Physics Models to
first uncover the physics governing the propagation of acoustic impulses in
metallic specimens using data obtained from a pristine sample. We then use the
learned physics to characterize the microstructure of a separate specimen with
a surface-breaking crack flaw. Remarkably, we find that the physics learned
from the first specimen allows us to understand the backscattering observed in
the latter sample, a qualitative feature that is wholly absent from the
specimen from which the physics were inferred. The backscattering is explained
through inhomogeneities of a latent spatial field that can be recognized as the
speed of sound in the media.
- Abstract（参考訳）: 観察データを説明するための知識の定式化の科学的プロセスを支援するために機械学習技術を使用するという関心が高まっている。
本研究では, バイエルン隠れ物理モデルを用いて, プリスティーヌ試料から得られたデータを用いて, 金属試料中の音響インパルスの伝播を規定する物理を初めて解明する。
次に、学習した物理を用いて、表面破断欠陥のある別個の標本の微細構造を特徴づける。
興味深いことに、最初の標本から学んだ物理学は、物理学が推測された標本から完全に欠如している定性的な特徴である後者のサンプルで観察された後方散乱を理解することを可能にする。
後方散乱は、メディア内の音の速度として認識できる潜在空間場の非均質性によって説明される。
関連論文リスト
- The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。
単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。
我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
論文 参考訳（メタデータ） (2024-06-18T16:37:44Z) - Designing Observables for Measurements with Deep Learning [0.12277343096128711]
機械学習を用いて,対象とする観測対象を設計することを提案する。
ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。
深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
論文 参考訳（メタデータ） (2023-10-12T20:54:34Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Fast spline detection in high density microscopy data [0.0]
多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。
そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。
線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
論文 参考訳（メタデータ） (2023-01-11T13:40:05Z) - Physics-informed Reinforcement Learning for Perception and Reasoning
about Fluids [0.0]
本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。
本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
論文 参考訳（メタデータ） (2022-03-11T07:01:23Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-04-28T17:06:38Z) - Cloth in the Wind: A Case Study of Physical Measurement through
Simulation [50.31424339972478]
実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。
私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。
この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
論文 参考訳（メタデータ） (2020-03-09T21:32:23Z)
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。