論文の概要: Neural message passing for predicting abnormal grain growth in Monte
Carlo simulations of microstructural evolution
- arxiv url: http://arxiv.org/abs/2110.09326v1
- Date: Mon, 18 Oct 2021 13:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 21:58:46.169357
- Title: Neural message passing for predicting abnormal grain growth in Monte
Carlo simulations of microstructural evolution
- Title（参考訳）: モンテカルロシミュレーションによる微細構造進化の異常粒成長予測のためのニューラルメッセージパッシング
- Authors: Ryan Cohn, Elizabeth Holm
- Abstract要約: 異常な粒成長は、加工中の材料の特性を著しく変化させることができる。
異常粒成長の理解と制御は, この現象の性質から解明されている。
近年のディープラーニングの進歩は、この現象を理解するための伝統的な、実験的な物理法に代わる有望な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Abnormal grain growth can significantly alter the properties of materials
during processing. This can cause significant variation in the properties and
performance of in-spec feedstock components subjected to identical processing
paths. Understanding and controlling abnormal grain growth has proved to be
elusive due to the stochastic nature of this phenomenon. However, recent
advances in deep learning provide a promising alternative to traditional
experimental and physics-based methods for understanding this phenomenon.
Neural message passing allows deep learning to be applied to irregular inputs
including graph representations of grain structures in a material. In this
study we generate a large database of Monte Carlo simulations of abnormal grain
growth in an idealized system. We apply message passing neural networks to
predict the occurrence of abnormal grain growth in these simulations using only
the initial state of the system as input. A computer vision model is also
trained for the same task for comparison. The preliminary results indicate that
the message passing approach outperforms the computer vision method and
achieved 75% prediction accuracy, significantly better than random guessing.
Analysis of the uncertainty in the Monte Carlo simulations provides a road map
for ongoing work on this project.
- Abstract（参考訳）: 異常な粒成長は、加工中の材料の特性を著しく変化させることができる。
このことは、同一の処理経路を施された種内飼料成分の特性と性能に大きな変化をもたらす可能性がある。
異常粒成長の理解と制御は, この現象の確率的性質により解明されている。
しかし、近年のディープラーニングの進歩は、この現象を理解するための従来の実験的および物理学的手法に代わる有望な代替手段を提供する。
ニューラルメッセージパッシングは、素材内の粒構造のグラフ表現を含む不規則な入力にディープラーニングを適用することができる。
本研究では,理想化システムにおける異常粒成長のモンテカルロシミュレーションの大規模データベースを生成する。
入力としてシステムの初期状態のみを用いて,これらのシミュレーションにおいて異常粒成長の発生を予測するためにメッセージパッシングニューラルネットワークを適用した。
コンピュータビジョンモデルは、比較のために同じタスクのために訓練される。
予備結果は, メッセージパッシング手法がコンピュータビジョン法を上回り, 75%の予測精度を達成したことを示す。
モンテカルロシミュレーションにおける不確実性の解析は、このプロジェクトの進行中の作業のロードマップを提供する。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Asymptotic generalization error of a single-layer graph convolutional network [0.0]
属性ブロックモデルにより生成されたデータに基づいて学習した単一層グラフ畳み込みネットワークの性能を予測する。
我々は,高信号対雑音比の限界について検討し,GCNの収束率を詳細に検討し,一貫性はあるものの,いずれの場合においてもベイズ最適値に達しないことを示す。
論文 参考訳（メタデータ） (2024-02-06T09:07:26Z) - Dense Hebbian neural networks: a replica symmetric picture of
unsupervised learning [4.133728123207142]
我々は、監督なしで訓練された密集的で連想的なニューラルネットを考える。
本稿では,モンテカルロシミュレーションを用いて,その計算能力を解析的に,統計力学的手法を用いて,数値解析的に検討する。
論文 参考訳（メタデータ） (2022-11-25T12:40:06Z) - Learning Feynman Diagrams using Graph Neural Networks [70.540936204654]
本研究は、行列要素の予測を90%以上の有意な数値精度で行うグラフアテンション層を用いている。
ピーク性能は200エポック未満のトレーニングで10%以上の時間で3つの有意な数値精度を予測した。
論文 参考訳（メタデータ） (2022-11-25T05:53:28Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - ProGReST: Prototypical Graph Regression Soft Trees for Molecular
Property Prediction [1.6114012813668934]
ProGreST(Prototypeal Graph Regression Self-Explainable Trees)モデルは、プロトタイプ学習、ソフト決定木、グラフニューラルネットワークを組み合わせたモデルである。
ProGReSTでは、モデルに組み込まれた解釈可能性による予測とともに、理論的に得られる。
論文 参考訳（メタデータ） (2022-10-07T10:21:24Z) - Towards the Explanation of Graph Neural Networks in Digital Pathology
with Information Flows [67.23405590815602]
グラフニューラルネットワーク(GNN)は、デジタル病理学において広く採用されている。
既存の説明者は、予測に関連する説明的部分グラフを発見する。
説明文は、予測に必要であるだけでなく、最も予測可能な領域を明らかにするのに十分である。
本稿では, IFEXPLAINERを提案する。
論文 参考訳（メタデータ） (2021-12-18T10:19:01Z) - Edge-variational Graph Convolutional Networks for Uncertainty-aware
Disease Prediction [7.6146285961466]
本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。
4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
論文 参考訳（メタデータ） (2020-09-06T15:53:17Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。