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
- Uncertainty Quantification of Graph Convolution Neural Network Models of
Evolving Processes [0.8749675983608172]
複雑なニューラルネットワークモデルに対するモンテカルロ法に代えて、スタイン変分推論が実現可能であることを示す。
我々の例では、スタイン変分干渉はハミルトン・モンテカルロと比較して時間を通して同様の不確実性プロファイルを与えた。
論文 参考訳(メタデータ) (2024-02-17T03:19:23Z) - Fusing Neural and Physical: Augment Protein Conformation Sampling with
Tractable Simulations [27.984190594059868]
生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る
本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
論文 参考訳(メタデータ) (2024-02-16T03:48:55Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T18:06:22Z) - Data-driven Crop Growth Simulation on Time-varying Generated Images
using Multi-conditional Generative Adversarial Networks [2.513679466277441]
本稿では,画像予測モデルの第1段と成長推定モデル第2段からなる2段階のフレームワークを提案する。
画像予測モデルは条件付きワッサーシュタイン生成対向ネットワーク(CWGAN)である
このモデルの生成元では、条件付きバッチ正規化(CBN)を使用して、入力画像と異なる条件を統合する。
これらの画像は、植物特有の形質を導出することにより植物表現の枠組みの第2部によって使用される。
論文 参考訳(メタデータ) (2023-12-06T11:54:50Z) - PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-27T16:56:28Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳(メタデータ) (2020-11-18T18:52:08Z) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に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) (2020-10-28T12:43:46Z) - 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) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。