論文の概要: Theory-Guided Machine Learning for Process Simulation of Advanced
Composites
- arxiv url: http://arxiv.org/abs/2103.16010v1
- Date: Tue, 30 Mar 2021 00:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:46:27.777948
- Title: Theory-Guided Machine Learning for Process Simulation of Advanced
Composites
- Title(参考訳): 複合材料プロセスシミュレーションのための理論誘導型機械学習
- Authors: Navid Zobeiry, Anoush Poursartip
- Abstract要約: Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。
本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
- 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: Science-based simulation tools such as Finite Element (FE) models are
routinely used in scientific and engineering applications. While their success
is strongly dependent on our understanding of underlying governing physical
laws, they suffer inherent limitations including trade-off between
fidelity/accuracy and speed. The recent rise of Machine Learning (ML) proposes
a theory-agnostic paradigm. In complex multi-physics problems, however,
creating large enough datasets for successful training of ML models has proven
to be challenging. One promising strategy to bridge the divide between these
approaches and take advantage of their respective strengths is Theory-Guided
Machine Learning (TGML) which aims to integrate physical laws into ML
algorithms. In this paper, three case studies on thermal management during
processing of advanced composites are presented and studied using FE, ML and
TGML. A structured approach to incrementally adding increasingly complex
physics to training of TGML model is presented. The benefits of TGML over ML
models are seen in more accurate predictions, particularly outside the training
region, and ability to train with small datasets. One benefit of TGML over FE
is significant speed improvement to potentially develop real-time feedback
systems. A recent successful implementation of a TGML model to assess
producibility of aerospace composite parts is presented.
- Abstract(参考訳): 有限要素(FE)モデルのような科学に基づくシミュレーションツールは、科学や工学の応用において日常的に使われている。
彼らの成功は、基礎となる物理法則に対する我々の理解に大きく依存しているが、忠実さ/正確さとスピードのトレードオフなど、固有の制限に苦しめられている。
最近の機械学習(ML)の台頭は理論に依存しないパラダイムを提案する。
しかし、複雑な多物理問題では、MLモデルのトレーニングを成功させるために十分なデータセットを作成することは困難であることが証明されている。
これらのアプローチの分割をブリッジし、それぞれの強みを活用するための有望な戦略の1つは、物理法則をMLアルゴリズムに統合することを目的とした理論誘導機械学習(TGML)である。
本稿では, 複合材料加工における熱管理の3つの事例について, FE, ML, TGMLを用いて検討した。
TGMLモデルのトレーニングに、より複雑な物理を漸進的に追加するための構造化アプローチを示す。
MLモデルよりもTGMLの利点は、特にトレーニング領域外のより正確な予測と、小さなデータセットでトレーニングする能力に見ることができる。
FEに対するTGMLの利点の1つは、リアルタイムフィードバックシステムを開発するための大幅なスピード改善である。
近年,航空宇宙複合部品の製作性を評価するtgmlモデルの実装が成功している。
関連論文リスト
- Physics-Informed Machine Learning for Smart Additive Manufacturing [2.3091320511105353]
本稿では、ニューラルネットワークと物理法則を統合した物理インフォームド・機械学習(PIML)モデルの開発に焦点をあて、レーザー金属堆積(LMD)におけるケーススタディによるモデル精度、透明性、一般化について述べる。
論文 参考訳(メタデータ) (2024-07-15T14:40:24Z) - Replication Study: Enhancing Hydrological Modeling with Physics-Guided
Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。
結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。
本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文 参考訳(メタデータ) (2024-02-21T16:26:59Z) - Retrieval-based Knowledge Transfer: An Effective Approach for Extreme
Large Language Model Compression [64.07696663255155]
大規模事前学習型言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて例外的な性能を示した。
しかし、これらのモデルの巨大なサイズは、現実世界のアプリケーションに展開する上で大きな課題をもたらします。
本稿では,LLMの知識を極めて小規模なモデルに効果的に伝達するRetrieval-based Knowledge Transfer (RetriKT)と呼ばれる新しい圧縮パラダイムを提案する。
論文 参考訳(メタデータ) (2023-10-24T07:58:20Z) - Simultaneous Machine Translation with Large Language Models [51.470478122113356]
我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。
MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。
その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-09-13T04:06:47Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Putting Density Functional Theory to the Test in
Machine-Learning-Accelerated Materials Discovery [2.7810723668216575]
従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。
DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
論文 参考訳(メタデータ) (2022-05-06T00:34:50Z) - Machine Learning in Aerodynamic Shape Optimization [0.0]
最先端の機械学習アプローチが空気力学的形状最適化(ASO)にどのように役立つかを示す。
機械学習のトレーニング費用がかかるため、大規模な設計の実践的な最適化は依然として課題である。
MLモデル構築とASOの事前経験と知識との深い結合は、MLモデルを効果的に訓練するために推奨される。
論文 参考訳(メタデータ) (2022-02-15T02:23:21Z) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳(メタデータ) (2021-06-29T12:52:26Z) - Improving Semiconductor Device Modeling for Electronic Design Automation
by Machine Learning Techniques [6.170514965470266]
本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。
提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
論文 参考訳(メタデータ) (2021-05-25T00:52:44Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z)
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。