論文の概要: Inferring topological transitions in pattern-forming processes with
self-supervised learning
- arxiv url: http://arxiv.org/abs/2203.10204v1
- Date: Sat, 19 Mar 2022 00:47:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 01:10:35.639622
- Title: Inferring topological transitions in pattern-forming processes with
self-supervised learning
- Title（参考訳）: 自己教師付き学習によるパターン形成過程の位相的遷移の推定
- Authors: Marcin Abram, Keith Burghardt, Greg Ver Steeg, Aram Galstyan, Remi
Dingreville
- Abstract要約: 我々は、ニューラルネットワークを用いて観察されたミクロ構造からプロセスパラメータを予測するために、自己教師型アプローチを用いる。
この予測課題の実行の難しさは, ミクロ構造機構の発見の目標と関係していることを示す。
このアプローチは、目に見えない、あるいは検出しにくい遷移状態を発見し、理解するための、有望な道を開く。
- 参考スコア（独自算出の注目度）: 25.90630151217217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification and classification of transitions in topological and
microstructural regimes in pattern-forming processes is critical for
understanding and fabricating microstructurally precise novel materials in many
application domains. Unfortunately, relevant microstructure transitions may
depend on process parameters in subtle and complex ways that are not captured
by the classic theory of phase transition. While supervised machine learning
methods may be useful for identifying transition regimes, they need labels
which require prior knowledge of order parameters or relevant structures.
Motivated by the universality principle for dynamical systems, we instead use a
self-supervised approach to solve the inverse problem of predicting process
parameters from observed microstructures using neural networks. This approach
does not require labeled data about the target task of predicting
microstructure transitions. We show that the difficulty of performing this
prediction task is related to the goal of discovering microstructure regimes,
because qualitative changes in microstructural patterns correspond to changes
in uncertainty for our self-supervised prediction problem. We demonstrate the
value of our approach by automatically discovering transitions in
microstructural regimes in two distinct pattern-forming processes: the spinodal
decomposition of a two-phase mixture and the formation of concentration
modulations of binary alloys during physical vapor deposition of thin films.
This approach opens a promising path forward for discovering and understanding
unseen or hard-to-detect transition regimes, and ultimately for controlling
complex pattern-forming processes.
- Abstract（参考訳）: パターン形成過程におけるトポロジカルおよびミクロ組織的構造における遷移の同定と分類は、多くの応用領域において、ミクロ構造的に精密な新規材料の理解と構築に重要である。
残念なことに、関連するミクロ構造遷移は、相転移の古典的な理論では捉えられない微妙で複雑な方法でプロセスパラメータに依存するかもしれない。
教師付き機械学習はトランジッションレジームを特定するのに有用であるが、順序パラメータや関連する構造の事前知識を必要とするラベルが必要である。
動的システムの普遍性原理により、我々は、ニューラルネットワークを用いて観察されたミクロ構造からプロセスパラメータを予測する逆問題を解決するために、自己教師付きアプローチを用いる。
このアプローチでは、組織遷移を予測するターゲットタスクに関するラベル付きデータを必要としない。
本研究は, 構造パターンの質的変化が, 自己教師あり予測問題に対する不確実性の変化に対応しているため, 予測課題の実行が困難であることを示す。
2相混合物のスピノダル分解と, 薄膜の物理的蒸着過程における二元系合金の濃度変調の形成という2つの異なるパターン形成過程において, 組織的遷移を自動的に発見することで, アプローチの価値を実証する。
このアプローチは、見当たらない、または検出しにくいトランジッションレジームを発見し、理解し、最終的に複雑なパターン形成プロセスを制御するための有望な道を開く。
関連論文リスト
- Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。
まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。
本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
論文 参考訳（メタデータ） (2024-11-18T05:16:11Z) - Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。
突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
論文 参考訳（メタデータ） (2024-05-16T03:53:21Z) - A phase transition between positional and semantic learning in a solvable model of dot-product attention [30.96921029675713]
学習可能な,低次元の問合せとキーデータを備えた非次元自己注意層として,高次モデルドット積注意法について検討した。
位置注意機構(それぞれの位置に基づくトークンを含む)と意味注意機構(それぞれの意味に基づいて互いに結びついているトークンを含む)と、サンプルの複雑さが増大する前者から後者への遷移が示される。
論文 参考訳（メタデータ） (2024-02-06T11:13:54Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳（メタデータ） (2023-10-08T17:55:33Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。
機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。
本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文 参考訳（メタデータ） (2022-10-24T15:14:26Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳（メタデータ） (2022-08-19T00:35:03Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2021-01-14T16:38:21Z) - Data-Driven Topology Optimization with Multiclass Microstructures using
Latent Variable Gaussian Process [18.17435834037483]
メタマテリアルの微細構造ライブラリーのための多応答潜在変数ガウス過程 (LVGP) モデルを開発した。
MR-LVGPモデルでは、混合変数の応答に対する集合的影響に基づいて、混合変数を連続的な設計空間に埋め込む。
マイクロ構造, マクロ構造に対する一貫した負荷伝達経路により, マルチクラスのマイクロ構造を考えることで, 性能の向上が期待できることを示す。
論文 参考訳（メタデータ） (2020-06-27T03:55:52Z) - Masked Language Modeling for Proteins via Linearly Scalable Long-Context
Transformers [42.93754828584075]
我々は、高速注意Via Orthogonal Random機能(FAVOR)に基づく新しいトランスフォーマーアーキテクチャPerformerを提案する。
我々の機構は、列内のトークンの数で2次ではなく2次的にスケールし、四次空間の複雑さが特徴であり、スパーシティパターンの先行を含まない。
これは強い理論的保証を与える:注意行列の偏りのない推定と一様収束である。
論文 参考訳（メタデータ） (2020-06-05T17:09:16Z)
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。