論文の概要: A multi-task learning-based optimization approach for finding diverse sets of material microstructures with desired properties and its application to texture optimization

• arxiv url: http://arxiv.org/abs/2111.00916v1
• Date: Wed, 27 Oct 2021 08:25:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 12:04:21.069445
• Title: A multi-task learning-based optimization approach for finding diverse sets of material microstructures with desired properties and its application to texture optimization
• Title（参考訳）: マルチタスク学習に基づく最適化手法による所望の特性を有する多種多様な材料微細構造の探索とテクスチャ最適化への応用
• Authors: Tarek Iraki, Lukas Morand, Johannes Dornheim, Norbert Link, Dirk Helm
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6311150636417262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The optimization along the chain processing-structure-properties-performance is one of the core objectives in data-driven materials science. In this sense, processes are supposed to manufacture workpieces with targeted material microstructures. These microstructures are defined by the material properties of interest and identifying them is a question of materials design. In the present paper, we addresse this issue and introduce a generic multi-task learning-based optimization approach. The approach enables the identification of sets of highly diverse microstructures for given desired properties and corresponding tolerances. Basically, the approach consists of an optimization algorithm that interacts with a machine learning model that combines multi-task learning with siamese neural networks. The resulting model (1) relates microstructures and properties, (2) estimates the likelihood of a microstructure of being producible, and (3) performs a distance preserving microstructure feature extraction in order to generate a lower dimensional latent feature space to enable efficient optimization. The proposed approach is applied on a crystallographic texture optimization problem for rolled steel sheets given desired properties.
• Abstract（参考訳）: チェーン処理-構造-プロパティー-パフォーマンスに沿った最適化は、データ駆動材料科学における中核的な目標の1つである。 この意味では、プロセスは、ターゲットとなる材料の微細構造を持つワークピースを製造すべきである。 これらの微細構造は、興味のある材料特性によって定義され、それらを特定することは材料設計の問題である。 本稿では,この問題に対処し,汎用的なマルチタスク学習に基づく最適化手法を提案する。 このアプローチにより、与えられた望ましい特性と対応する耐性のために、高度に多様なミクロ組織の集合を識別することができる。 基本的にこのアプローチは、マルチタスク学習とシアムニューラル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。 得られたモデル(1)は, 微構造と特性, (2) 再現可能な微細構造の可能性を推定し, (3) より低次元の潜在特徴空間を生成し, 効率的な最適化を実現するために, 微細構造の特徴抽出を行う。 本手法は, 所望特性を有する圧延鋼板の結晶組織最適化問題に適用できる。

関連論文リスト

• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• 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)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Self-supervised optimization of random material microstructures in the small-data regime [0.0]
  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。
  論文  参考訳（メタデータ） (2021-08-05T13:25:39Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• 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)
• Deep Reinforcement Learning Methods for Structure-Guided Processing Path Optimization [2.462953128215088]
  材料設計の大きな目標は、望ましい特性を持つ材料構造を見つけることである。 本稿では,処理経路最適化のための深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-21T09:20:24Z)
• 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)

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。