論文の概要: Differential Property Prediction: A Machine Learning Approach to
Experimental Design in Advanced Manufacturing
- arxiv url: http://arxiv.org/abs/2112.01687v1
- Date: Fri, 3 Dec 2021 02:51:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 15:07:40.691927
- Title: Differential Property Prediction: A Machine Learning Approach to
Experimental Design in Advanced Manufacturing
- Title（参考訳）: 微分特性予測: 先端製造における実験設計への機械学習アプローチ
- Authors: Loc Truong, WoongJo Choi, Colby Wight, Lizzy Coda, Tegan Emerson,
Keerti Kappagantula, Henry Kvinge
- Abstract要約: 機械学習フレームワークである差分特性分類(DPC)を提案する。
DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。
実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
- 参考スコア（独自算出の注目度）: 2.905624971705889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced manufacturing techniques have enabled the production of materials
with state-of-the-art properties. In many cases however, the development of
physics-based models of these techniques lags behind their use in the lab. This
means that designing and running experiments proceeds largely via trial and
error. This is sub-optimal since experiments are cost-, time-, and
labor-intensive. In this work we propose a machine learning framework,
differential property classification (DPC), which enables an experimenter to
leverage machine learning's unparalleled pattern matching capability to pursue
data-driven experimental design. DPC takes two possible experiment parameter
sets and outputs a prediction of which will produce a material with a more
desirable property specified by the operator. We demonstrate the success of DPC
on AA7075 tube manufacturing process and mechanical property data using shear
assisted processing and extrusion (ShAPE), a solid phase processing technology.
We show that by focusing on the experimenter's need to choose between multiple
candidate experimental parameters, we can reframe the challenging regression
task of predicting material properties from processing parameters, into a
classification task on which machine learning models can achieve good
performance.
- Abstract（参考訳）: 高度な製造技術により最先端の材料が製造できるようになった。
しかし多くの場合、これらの技術の物理モデルの開発は研究室での使用に遅れを取っている。
つまり、実験の設計と実行は、主に試行錯誤によって行われる。
実験はコスト、時間、労働集約的であるため、これは準最適です。
本研究では,データ駆動型実験設計を追求するために,機械学習の非並列パターンマッチング機能を活用する機械学習フレームワークである差分特性分類(DPC)を提案する。
DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。
固相処理技術であるせん断アシスト加工および押出成形(shape)を用いて,aa7075チューブ製造プロセスおよび機械的特性データにおけるdpcの成功を実証する。
実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
関連論文リスト
- A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing [0.0]
金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。
MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。
機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
論文 参考訳（メタデータ） (2023-07-04T18:32:41Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳（メタデータ） (2023-05-16T17:31:50Z) - Parameters, Properties, and Process: Conditional Neural Generation of
Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing [1.5234614694413722]
我々は,条件付き生成対向ネットワーク(GAN)を走査型電子顕微鏡(SEM)画像に適用することにより,先行研究を構築した。
我々は, テンパと実験パラメータ, 材料特性を条件とした現実的な画像を生成する。
この研究は、製造プロセスを理解するための根本的に新しいアプローチの技術的バックボーンを形成する。
論文 参考訳（メタデータ） (2023-01-13T00:48:39Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - Multi-Stage Influence Function [97.19210942277354]
我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。
本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
論文 参考訳（メタデータ） (2020-07-17T16:03:11Z) - 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) - Predicting Performance for Natural Language Processing Tasks [128.34208911925424]
実験条件を入力として,NLP実験の評価スコアを予測する回帰モデルを構築した。
9つの異なるNLPタスクを実験した結果、予測器は目に見えない言語や異なるモデリングアーキテクチャに対して有意義な予測を生成できることがわかった。
論文 参考訳（メタデータ） (2020-05-02T16:02:18Z)
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。