論文の概要: Extending a Physics-Based Constitutive Model using Genetic Programming

• arxiv url: http://arxiv.org/abs/2108.01595v4
• Date: Fri, 19 Nov 2021 14:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 00:47:00.253756
• Title: Extending a Physics-Based Constitutive Model using Genetic Programming
• Title（参考訳）: 遺伝的プログラミングを用いた物理モデルの拡張
• Authors: Gabriel Kronberger, Evgeniya Kabliman, Johannes Kronsteiner, Michael Kommenda
• Abstract要約: 本稿では,遺伝的プログラミングに基づく処理条件からキャリブレーションパラメータの機能的依存性を同定する手法を提案する。 本稿では,これらの依存関係を識別し,短い解釈式を生成するための2つの(明示的かつ暗黙的な)手法を提案する。 その結果,暗黙的手法は明示的手法よりも高価であると同時に,極めて優れた結果が得られることがわかった。
• 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: In material science, models are derived to predict emergent material properties (e.g. elasticity, strength, conductivity) and their relations to processing conditions. A major drawback is the calibration of model parameters that depend on processing conditions. Currently, these parameters must be optimized to fit measured data since their relations to processing conditions (e.g. deformation temperature, strain rate) are not fully understood. We present a new approach that identifies the functional dependency of calibration parameters from processing conditions based on genetic programming. We propose two (explicit and implicit) methods to identify these dependencies and generate short interpretable expressions. The approach is used to extend a physics-based constitutive model for deformation processes. This constitutive model operates with internal material variables such as a dislocation density and contains a number of parameters, among them three calibration parameters. The derived expressions extend the constitutive model and replace the calibration parameters. Thus, interpolation between various processing parameters is enabled. Our results show that the implicit method is computationally more expensive than the explicit approach but also produces significantly better results.
• Abstract（参考訳）: 物質科学において、モデルは創発的物質特性(弾性、強度、導電性など)とその処理条件との関係を予測するために導出される。 主な欠点は、処理条件に依存するモデルパラメータのキャリブレーションである。 現在、これらのパラメータは、処理条件(例えば、変形温度、ひずみ速度)との関係が十分に理解されていないため、測定データに適合するように最適化されなければならない。 本稿では,遺伝的プログラミングに基づく処理条件からのキャリブレーションパラメータの機能依存性を同定する新しい手法を提案する。 我々は,これらの依存関係を識別し,短い解釈可能な表現を生成する2つの手法を提案する。 この手法は、変形過程の物理に基づく構成モデルを拡張するために用いられる。 この構成モデルは転位密度などの内部物質変数と共に動作し、3つのキャリブレーションパラメータのうちいくつかのパラメータを含む。 導出式は構成モデルを拡張し、校正パラメータを置き換える。 これにより、様々な処理パラメータ間の補間が可能となる。 その結果,暗黙的手法は明示的手法よりも計算コストが高いが,優れた結果が得られることがわかった。

関連論文リスト

• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• Joint Parameter and Parameterization Inference with Uncertainty Quantification through Differentiable Programming [0.20530463088872453]
  本研究では,物理パラメータと不確実な定量化を伴う機械学習パラメータ化を共同で推定するための新しいフレームワークを提案する。 本フレームワークは,高次元パラメータ空間内でのオンライン学習と効率的なベイズ推論を,微分可能プログラミングにより促進する。
  論文  参考訳（メタデータ） (2024-03-04T17:02:23Z)
• Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs [0.0]
  代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。 後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。 我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
  論文  参考訳（メタデータ） (2022-02-02T17:07:02Z)
• Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
  本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。 我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。 この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
  論文  参考訳（メタデータ） (2022-01-17T15:16:26Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。