論文の概要: EBSD Grain Knowledge Graph Representation Learning for Material
Structure-Property Prediction
- arxiv url: http://arxiv.org/abs/2109.14248v1
- Date: Wed, 29 Sep 2021 07:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:45:09.820006
- Title: EBSD Grain Knowledge Graph Representation Learning for Material
Structure-Property Prediction
- Title（参考訳）: 材料構造予測のためのEBSDグラインド知識グラフ表現学習
- Authors: Chao Shu, Zhuoran Xin, Cheng Xie
- Abstract要約: 材料遺伝工学プログラムは、材料組成/プロセス、組織、性能の関係を確立することを目的としている。
本稿では,新しいデータ知識駆動型組織表現と性能予測手法を提案する。
実験結果から,本手法は従来の機械学習やマシンビジョン手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 2.049702429898688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The microstructure is an essential part of materials, storing the genes of
materials and having a decisive influence on materials' physical and chemical
properties. The material genetic engineering program aims to establish the
relationship between material composition/process, organization, and
performance to realize the reverse design of materials, thereby accelerating
the research and development of new materials. However, tissue analysis methods
of materials science, such as metallographic analysis, XRD analysis, and EBSD
analysis, cannot directly establish a complete quantitative relationship
between tissue structure and performance. Therefore, this paper proposes a
novel data-knowledge-driven organization representation and performance
prediction method to obtain a quantitative structure-performance relationship.
First, a knowledge graph based on EBSD is constructed to describe the
material's mesoscopic microstructure. Then a graph representation learning
network based on graph attention is constructed, and the EBSD organizational
knowledge graph is input into the network to obtain graph-level feature
embedding. Finally, the graph-level feature embedding is input to a graph
feature mapping network to obtain the material's mechanical properties. The
experimental results show that our method is superior to traditional machine
learning and machine vision methods.
- Abstract（参考訳）: この微細構造は材料の必須部分であり、材料の遺伝子を貯蔵し、材料の物理的および化学的性質に決定的な影響を与える。
物質遺伝工学プログラムは、材料組成・プロセス・組織・性能の関係を確立し、材料のリバースデザインを実現し、新たな材料の研究・開発を加速することを目的としている。
しかしながら、金属分析、XRD分析、EBSD分析などの材料科学の組織分析法は、組織構造と性能の完全な定量的関係を直接的に確立することはできない。
そこで本研究では,データ知識に基づく組織表現とパフォーマンス予測手法を提案し,定量的な構造・性能関係を求める。
まず、EBSDに基づく知識グラフを構築し、その材料のメソスコピックな微細構造を記述する。
そして、グラフ注意に基づくグラフ表現学習ネットワークを構築し、EBSD組織知識グラフをネットワークに入力してグラフレベルの特徴埋め込みを得る。
最後に、グラフレベルの特徴埋め込みをグラフ特徴マッピングネットワークに入力し、材料の機械的特性を得る。
実験の結果,本手法は従来の機械学習やマシンビジョン手法よりも優れていることがわかった。
関連論文リスト
- Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。
マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。
これは結晶材料の性能を予測するためのより包括的な視点を提供する。
論文 参考訳（メタデータ） (2024-11-13T08:07:21Z) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Graph-level Protein Representation Learning by Structure Knowledge
Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。
本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-05T09:05:33Z) - Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet
Energy [103.74640329539389]
特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。
我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。
本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
論文 参考訳（メタデータ） (2023-05-21T08:15:55Z) - Computer Vision Methods for the Microstructural Analysis of Materials:
The State-of-the-art and Future Perspectives [0.4595477728342621]
本稿では, マルチスケール画像解析に応用された最先端CNN技術について概説する。
材料科学研究へのこれらの手法の適用に関する主な課題を同定する。
論文 参考訳（メタデータ） (2022-07-29T15:27:47Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Formula graph self-attention network for representation-domain
independent materials discovery [3.67735033631952]
本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。
本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。
我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-01-14T19:49:45Z) - Structure-Preserving Graph Kernel for Brain Network Classification [38.707747282886935]
グラフ表現の中で自然に利用可能な構造を利用して、カーネルの事前知識をエンコードする方法を示す。
提案手法は臨床的に解釈可能であるという利点がある。
論文 参考訳（メタデータ） (2021-11-21T12:03:19Z) - HistoCartography: A Toolkit for Graph Analytics in Digital Pathology [0.6299766708197883]
HistoCartographyは、計算病理学におけるグラフ分析を容易にするために必要な前処理、機械学習、説明可能性ツールを備えた標準化されたpython APIである。
画像の種類や病理組織学のタスクにまたがる複数のデータセットの計算時間と性能をベンチマークした。
論文 参考訳（メタデータ） (2021-07-21T13:34:14Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳（メタデータ） (2021-03-05T09:03:03Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z)
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。