論文の概要: Physics-Aware Recurrent Convolutional (PARC) Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials
- arxiv url: http://arxiv.org/abs/2204.07234v1
- Date: Mon, 4 Apr 2022 14:29:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-24 22:31:26.380373
- Title: Physics-Aware Recurrent Convolutional (PARC) Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials
- Title（参考訳）: 物理対応リカレント畳み込み(PARC)ニューラルネットワークによるエネルギー材料のメソスケール反応力学の同化
- Authors: Phong C.H. Nguyen, Joseph B. Choi, Yen-Thi Nguyen, Pradeep K.
Seshadri, H.S. Udaykumar, and Stephen Baek
- Abstract要約: エネルギー材料(EM)のメソスケール熱力学を「学習」できる新しい深層学習手法PARCニューラルネットワークを提案する。
提案手法は, 最先端直接数値シミュレーション(DNS)と同等品質の時間進化温度と圧力場の高精度な高忠実度予測を実現することができることを示す。
我々はまた、PARCが物理的洞察、すなわち人工ニューロンがどの微細な特徴が臨界ホットスポットに繋がったか、そして「臨界」と「臨界」の特徴を識別することによって、基礎となる物理学を照らすことができることを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The thermomechanical properties of energetic materials (EM) are known to be a
function of their microscopic structures, i.e., morphological configurations of
crystals and pores. This microstructural dependency has motivated vigorous
research in the EM community, seeking to engineer material microstructures with
targeted properties and performance under the materials-by-design paradigm.
However, establishing the complex structure-property-performance (SPP)
relationships of EMs demands extensive experimental and simulation efforts, and
assimilating and encapsulating these relationships in usable models is a
challenge. Here, we present a novel deep learning method, Physics-Aware
Recurrent Convolutional (PARC) Neural Network, that can "learn" the mesoscale
thermo-mechanics of EM microstructures during the shock-to-detonation
transition (SDT). We show that this new approach can produce accurate
high-fidelity predictions of time-evolving temperature and pressure fields of
the same quality as the state-of-the-art direct numerical simulations (DNS),
despite the dramatic reduction of computing time, from hours and days on a
high-performance computing cluster (HPC) to a little more than a second on a
commodity laptop. We also demonstrate that PARC can provide physical insights,
i.e., the artificial neurons can illuminate the underlying physics by
identifying which microstructural features led to critical hotspots and what
are the characteristics of "critical" versus "non-critical" microstructures.
This new knowledge generated alongside the capacity to conduct high-throughput
experiments will broaden our theoretical understanding of the initiation
mechanisms of EM detonation, as a step towards engineering EMs with specific
properties.
- Abstract（参考訳）: エネルギー材料(em)の熱力学的性質は、その微視的構造、すなわち結晶と細孔の形態の関数であることが知られている。
このミクロ構造依存性はemコミュニティの活発な研究の動機となり、材料・設計パラダイムの下で、対象特性と性能を備えた材料微細構造を創りだそうとしている。
しかし、EMの複雑な構造-適合性-性能関係(SPP)を確立するには、広範な実験とシミュレーションの努力が必要であり、これらの関係を使用可能なモデルに同化およびカプセル化することが課題である。
本稿では、衝撃-起爆遷移(SDT)中のEMミクロ構造のメソスケール熱力学を「学習」できる新しい深層学習手法、PARCニューラルネットワークを提案する。
提案手法は, 高速計算クラスタ(HPC)上での時間と日数を大幅に削減したにもかかわらず, 最先端の直接数値シミュレーション(DNS)と同じ品質の時間進化温度および圧力場の高精度な高忠実度予測を, 商品ラップトップ上では1秒以上まで精度良く行うことができることを示す。
また、PARCは、重要なホットスポットにどの微細な特徴が導かれるか、そして「クリティカル」と「非クリティカル」のミクロ構造の特徴を識別することで、基礎となる物理学を照明することができることを実証した。
この新たな知識は、高スループット実験を行う能力とともに、特定の特性を持つEM工学へのステップとして、EMデトネーションの開始機構に関する理論的理解を広げる。
関連論文リスト
- Investigating KAN-Based Physics-Informed Neural Networks for EMI/EMC Simulations [3.2005061268752746]
一般的なEM問題の定式化と、AI駆動のソリューションを使ってそれらを解決する方法を紹介している。
この研究は、エネルギー消費を減らし、計算能力が実現可能なグリーンEMIシミュレーションのための新たな地平を開く可能性がある。
論文 参考訳（メタデータ） (2024-05-18T20:12:16Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳（メタデータ） (2023-05-17T08:53:29Z) - A physics-aware deep learning model for energy localization in
multiscale shock-to-detonation simulations of heterogeneous energetic
materials [0.0]
不均一エネルギー材料における衝撃-起爆遷移(SDT)の予測シミュレーションは、そのエネルギー放出と感度の設計と制御に不可欠である。
本研究では,EMのSDTシミュレーションのための効率的かつ高精度なマルチスケールフレームワークを提案する。
本研究では, 深層学習を用いたSDTシミュレーションのための新しい手法を提案し, 衝撃開始EMマイクロ構造のメソスケールエネルギー局在をモデル化する。
論文 参考訳（メタデータ） (2022-11-08T21:16:00Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文 参考訳（メタデータ） (2022-07-24T06:02:26Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳（メタデータ） (2022-03-11T18:27:04Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳（メタデータ） (2020-07-15T22:38:41Z) - Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
論文 参考訳（メタデータ） (2020-05-13T19:41:24Z) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳（メタデータ） (2020-04-05T16:58:31Z)
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。