論文の概要: MD-inferred neural network monoclinic finite-strain hyperelasticity
models for $\beta$-HMX: Sobolev training and validation against physical
constraints
- arxiv url: http://arxiv.org/abs/2112.02077v1
- Date: Mon, 29 Nov 2021 23:38:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 17:02:10.806224
- Title: MD-inferred neural network monoclinic finite-strain hyperelasticity
models for $\beta$-HMX: Sobolev training and validation against physical
constraints
- Title（参考訳）: md推論ニューラルネットワークによる$\beta$-hmxのためのモノクリニック有限ひずみ超弾性モデル:ソボレフトレーニングと物理的制約に対する検証
- Authors: Nikolaos N. Vlassis, Puhan Zhao, Ran Ma, Tommy Sewell, WaiChing Sun
- Abstract要約: 我々は,モノクリニック有機分子結晶$beta$-HMXの異方性弾性応答を予測するためにニューラルネットワークを訓練し,検証した。
我々は、異なるソボレフ制約下でのニューラルネットワークのトレーニング効率を比較し、$beta$-HMXのMDベンチマークに対してモデルの正確性と堅牢性を評価する。
- 参考スコア（独自算出の注目度）: 2.3816618027381438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a machine learning framework to train and validate neural networks
to predict the anisotropic elastic response of the monoclinic organic molecular
crystal $\beta$-HMX in the geometrical nonlinear regime. A filtered molecular
dynamic (MD) simulations database is used to train the neural networks with a
Sobolev norm that uses the stress measure and a reference configuration to
deduce the elastic stored energy functional. To improve the accuracy of the
elasticity tangent predictions originating from the learned stored energy, a
transfer learning technique is used to introduce additional tangential
constraints from the data while necessary conditions (e.g. strong ellipticity,
crystallographic symmetry) for the correctness of the model are either
introduced as additional physical constraints or incorporated in the validation
tests. Assessment of the neural networks is based on (1) the accuracy with
which they reproduce the bottom-line constitutive responses predicted by MD,
(2) detailed examination of their stability and uniqueness, and (3)
admissibility of the predicted responses with respect to continuum mechanics
theory in the finite-deformation regime. We compare the neural networks'
training efficiency under different Sobolev constraints and assess the models'
accuracy and robustness against MD benchmarks for $\beta$-HMX.
- Abstract（参考訳）: 本稿では, モノクリニックな有機分子結晶である$\beta$-HMXの非線型状態における異方性弾性応答を予測するために, ニューラルネットワークをトレーニングし, 検証するための機械学習フレームワークを提案する。
filtered molecular dynamic (md) simulations databaseは、ストレス測度と参照構成を用いて弾性保存エネルギー汎関数を推定するソボレフノルムを用いてニューラルネットワークを訓練するために使用される。
学習した記憶エネルギーに由来する弾性接予測の精度を向上させるために、モデルの正しさに対する必要条件(強楕円性、結晶対称性など)が追加の物理的制約として導入されたり、検証試験に組み込まれたりしながら、データから追加の接制約を導入する転写学習技術を用いる。
ニューラルネットワークの評価は,(1)MDが予測した底線構成応答を再現する精度,(2)安定性と特異性の詳細な検証,(3)有限変形系における連続体力学理論に対する予測応答の許容性に基づく。
異なるソボレフ制約下でニューラルネットワークのトレーニング効率を比較し,$\beta$-hmxのmdベンチマークに対するモデルの正確性と頑健性を評価する。
関連論文リスト
- EPi-cKANs: Elasto-Plasticity Informed Kolmogorov-Arnold Networks Using Chebyshev Polynomials [0.0]
チェビシェフ型ネットワーク(EPi-cKAN)のエラスト可塑性について述べる。
EPi-cKANは、応力成分の予測に優れた精度を提供し、ブラインド三軸軸対称のひずみ制御荷重経路下での砂弾塑性挙動の予測に使用する場合、より良い精度を示す。
論文 参考訳（メタデータ） (2024-10-12T16:01:38Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。
応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文 参考訳（メタデータ） (2022-05-04T13:54:54Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - On feedforward control using physics-guided neural networks: Training
cost regularization and optimized initialization [0.0]
モデルベースのフィードフォワードコントローラの性能は、典型的には逆システム力学モデルの精度によって制限される。
本稿では,特定物理パラメータを用いた正規化手法を提案する。
実生活の産業用リニアモーターで検証され、追跡精度と外挿の精度が向上する。
論文 参考訳（メタデータ） (2022-01-28T12:51:25Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z) - Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity [1.8606313462183062]
本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
論文 参考訳（メタデータ） (2020-01-08T02:07:39Z)
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。