論文の概要: Self-supervised optimization of random material microstructures in the small-data regime

• arxiv url: http://arxiv.org/abs/2108.02606v1
• Date: Thu, 5 Aug 2021 13:25:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:51:51.257272
• Title: Self-supervised optimization of random material microstructures in the small-data regime
• Title（参考訳）: 小データ構造におけるランダム材料ミクロ構造の自己監督的最適化
• Authors: Maximilian Rixner, Phaedon-Stelios Koutsourelakis
• Abstract要約: 本稿では、プロセス構造と構造-プロパティ結合の不確実性を考慮した、柔軟な、完全に確率的な最適化問題の定式化について述べる。 我々は、計算を高速化し、非微分目標の処理を可能にする構造-プロパティリンクに対して確率論的、データ駆動サロゲートを用いる。 二相ランダムメディアの機械的および熱的特性を最適化する効果を実証するが、その適用性は様々なマイクロ構造に敏感な設計問題を含むと想定する。
• 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: While the forward and backward modeling of the process-structure-property chain has received a lot of attention from the materials community, fewer efforts have taken into consideration uncertainties. Those arise from a multitude of sources and their quantification and integration in the inversion process are essential in meeting the materials design objectives. The first contribution of this paper is a flexible, fully probabilistic formulation of such optimization problems that accounts for the uncertainty in the process-structure and structure-property linkages and enables the identification of optimal, high-dimensional, process parameters. We employ a probabilistic, data-driven surrogate for the structure-property link which expedites computations and enables handling of non-differential objectives. We couple this with a novel active learning strategy, i.e. a self-supervised collection of data, which significantly improves accuracy while requiring small amounts of training data. We demonstrate its efficacy in optimizing the mechanical and thermal properties of two-phase, random media but envision its applicability encompasses a wide variety of microstructure-sensitive design problems.
• Abstract（参考訳）: プロセス構造・プロパティーチェーンの前方および後方のモデリングは材料コミュニティから多くの注目を集めているが、不確実性を考慮する努力は少ない。 これらは多種多様な源から発生し、その定量化と反転過程の統合は材料設計の目的を達成する上で不可欠である。 この論文の最初の貢献は、プロセス構造と構造プロパティのリンクの不確実性を考慮して、最適な高次元のプロセスパラメータの同定を可能にするような最適化問題の柔軟で完全な確率的定式化である。 我々は、計算を高速化し、非微分目標の処理を可能にする構造-プロパティリンクに対して確率論的データ駆動サロゲートを用いる。 これを、新しいアクティブラーニング戦略、すなわち、新しいアクティブラーニング戦略と組み合わせる。 少量のトレーニングデータを必要としながら精度を大幅に向上させる、自己監督型のデータの収集。 二相ランダム媒体の機械的および熱的特性を最適化する効果を実証するが、その適用性は多種多様な微視的設計問題を含んでいる。

関連論文リスト

• An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units [14.660705962826718]
  メタマテリアルユニットの設計のための,新しい不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計手法を提案する。 提案手法は,高性能なメタマテリアルユニットを高信頼性で設計できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T22:21:27Z)
• Machine learning for structure-guided materials and process design [0.602276990341246]
  本稿では, 材料工学におけるプロセス構造-プロパティチェーン全体をカバーする, 総合的, 汎用的な最適化手法を提案する。 本手法では,材料設計問題とプロセス設計問題という2つの重要な識別問題に機械学習を用いて対処する。 本手法は, 模擬金属成形プロセスにおいて, 所望の特性を有する結晶テクスチャの製造において有効であることを示す。
  論文  参考訳（メタデータ） (2023-12-22T09:28:30Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• A multi-task learning-based optimization approach for finding diverse sets of material microstructures with desired properties and its application to texture optimization [1.6311150636417262]
  本稿では,材料テクスチャ最適化のためのマルチタスク学習手法を提案する。 このアプローチは、マルチタスク学習とシアムネットワークを組み合わせた機械学習モデルと相互作用する最適化アルゴリズムで構成されている。
  論文  参考訳（メタデータ） (2021-10-27T08:25:26Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• An efficient optimization based microstructure reconstruction approach with multiple loss functions [0.0]
  マイクロ構造再構成には、(一連の)ターゲットのマイクロ構造の重要な統計と特性に一致する、デジタル化されたマイクロ構造の生成が含まれる 本稿では,事前学習した深層ニューラルネットワークの統計記述子と特徴マップを,最適化に基づく再構築手順のための全体的な損失関数に統合する。 二相ランダム多孔質材料の微細構造再構成の数値的な例は、提案手法の効率性を示している。
  論文  参考訳（メタデータ） (2021-02-04T04:33:17Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。