論文の概要: PARC: Physics-Aware Recurrent Convolutional Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials
- arxiv url: http://arxiv.org/abs/2204.07234v3
- Date: Fri, 24 Mar 2023 19:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 03:42:32.569576
- Title: PARC: Physics-Aware Recurrent Convolutional Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials
- Title（参考訳）: PARC: エネルギー材料のメソスケール反応力学を同化するための物理対応リカレント畳み込みニューラルネットワーク
- Authors: Phong C.H. Nguyen, Yen-Thi Nguyen, Joseph B. Choi, Pradeep K.
Seshadri, H.S. Udaykumar, and Stephen Baek
- Abstract要約: 衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。
PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
- 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 thermo-mechanical response of shock-initiated energetic materials (EM) is
highly influenced by their microstructures, presenting an opportunity to
engineer EM microstructure in a "materials-by-design" framework. However, the
current design practice is limited, as a large ensemble of simulations is
required to construct the complex EM structure-property-performance linkages.
We present the Physics-Aware Recurrent Convolutional (PARC) Neural Network, a
deep-learning algorithm capable of learning the mesoscale thermo-mechanics of
EM from a modest number of high-resolution direct numerical simulations (DNS).
Validation results demonstrated that PARC could predict the themo-mechanical
response of shocked EM with a comparable accuracy to DNS but with notably less
computation time. The physics awareness of PARC enhances its modeling
capabilities and generalizability, especially when challenged in unseen
prediction scenarios. We also demonstrate that visualizing the artificial
neurons at PARC can shed light on important aspects of EM thermos-mechanics and
provide an additional lens for conceptualizing EM.
- Abstract（参考訳）: 衝撃開始エネルギー材料(EM)の熱力学的応答は、そのミクロ構造の影響を強く受け、「材料・バイ・デザイン」フレームワークでEMマイクロ構造を設計する機会を与える。
しかし、複雑なem構造-プロパティー-パフォーマンスリンクを構築するには、多くのシミュレーションが必要となるため、現在の設計プラクティスは限られている。
本稿では,高分解能直接数値シミュレーション(dns)からemのメソスケール熱力学を学習できるディープラーニングアルゴリズムである,物理量認識リカレント畳み込み(parc)ニューラルネットワークを提案する。
検証結果によると、PARCは衝撃を受けたEMの機械的応答をDNSに匹敵する精度で予測できるが、計算時間は明らかに少ない。
PARCの物理学的認識はモデリング能力と一般化性を高める。
また, PARCにおける人工ニューロンの可視化は, EM熱力学の重要な面に光を当てることや, EMを概念化するための追加レンズを提供することも実証した。
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) - 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) - 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) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - 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) - Invertible Surrogate Models: Joint surrogate modelling and
reconstruction of Laser-Wakefield Acceleration by invertible neural networks [55.41644538483948]
可逆ニューラルネットワークは、機械学習の最近の技術である。
我々は、レーザープラズマ加速器(iLWFA)に関わる物理学の複雑な前方シミュレーションを近似する可逆サロゲートモデルを導入する。
論文 参考訳（メタデータ） (2021-06-01T12:26:10Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - 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。