論文の概要: Modeling and Optimizing Laser-Induced Graphene
- arxiv url: http://arxiv.org/abs/2107.14257v1
- Date: Thu, 29 Jul 2021 18:08:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:55:12.491115
- Title: Modeling and Optimizing Laser-Induced Graphene
- Title(参考訳): レーザ誘起グラフェンのモデリングと最適化
- Authors: Lars Kotthoff and Sourin Dey and Vivek Jain and Alexander Tyrrell and
Hud Wahab and Patrick Johnson
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 59.8912133964006
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A lot of technological advances depend on next-generation materials, such as
graphene, which enables a raft of new applications, for example better
electronics. Manufacturing such materials is often difficult; in particular,
producing graphene at scale is an open problem. We provide a series of datasets
that describe the optimization of the production of laser-induced graphene, an
established manufacturing method that has shown great promise. We pose three
challenges based on the datasets we provide -- modeling the behavior of
laser-induced graphene production with respect to parameters of the production
process, transferring models and knowledge between different precursor
materials, and optimizing the outcome of the transformation over the space of
possible production parameters. We present illustrative results, along with the
code used to generate them, as a starting point for interested users. The data
we provide represents an important real-world application of machine learning;
to the best of our knowledge, no similar datasets are available.
- Abstract(参考訳): 多くの技術進歩は、グラフェンのような次世代の材料に依存している。
このような材料を製造することはしばしば困難であり、特にスケールでグラフェンを製造することはオープンな問題である。
我々は,レーザー誘起グラフェンの生産の最適化を記述した一連のデータセットを提供する。
我々は, 生産過程のパラメータに対するレーザー誘起グラフェン生成の挙動のモデル化, 異なる前駆物質間のモデルと知識の伝達, 可能な生産パラメータの空間上の変換結果の最適化の3つの課題を提示する。
興味のあるユーザのための出発点として,その生成に使用するコードとともに,図示的な結果を提示します。
私たちが提供しているデータは、機械学習の重要な現実世界の応用であり、私たちの知る限り、類似したデータセットは利用できない。
関連論文リスト
- One Category One Prompt: Dataset Distillation using Diffusion Models [22.512552596310176]
本稿では,D3M(Diffusion Models)をデータセット蒸留の新たなパラダイムとして導入し,生成的テキスト・画像基盤モデルの最近の進歩を活用する。
提案手法では,テキストから画像への合成モデルを微調整する手法であるテキストインバージョンを用いて,大規模データセットの簡潔かつ情報的な表現を生成する。
論文 参考訳(メタデータ) (2024-03-11T20:23:59Z) - Controllable Image Synthesis of Industrial Data Using Stable Diffusion [2.021800129069459]
本稿では,産業データに基づく汎用事前学習型生成モデルの再利用手法を提案する。
まず、モデルに新しい概念を学習させ、新しいデータ分布を学習させる。
そこで我々は,その生成過程の条件付けを強制的に行ない,よく定義されたトポロジ的特徴を満たす産業用画像を生成する。
論文 参考訳(メタデータ) (2024-01-06T08:09:24Z) - Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。
このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。
生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-02T17:59:31Z) - 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) - A Framework for Large Scale Synthetic Graph Dataset Generation [2.248608623448951]
この研究は、データセットをプロダクションサイズのグラフにスケールするスケーラブルな合成グラフ生成ツールを提案する。
このツールは、研究者にリリース可能なプロプライエタリなデータセットから、一連のパラメトリックモデルを学ぶ。
一連のデータセットにまたがるフレームワークの一般化可能性を示す。
論文 参考訳(メタデータ) (2022-10-04T22:41:33Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳(メタデータ) (2022-09-21T08:14:34Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
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。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z)
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。