論文の概要: Geometric deep learning for computational mechanics Part II: Graph embedding for interpretable multiscale plasticity

• arxiv url: http://arxiv.org/abs/2208.00246v1
• Date: Sat, 30 Jul 2022 15:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 14:46:19.095071
• Title: Geometric deep learning for computational mechanics Part II: Graph embedding for interpretable multiscale plasticity
• Title（参考訳）: 計算力学のための幾何学的深層学習(第2報) 解釈可能な多スケール塑性のためのグラフ埋め込み
• Authors: Nikolaos N. Vlassis and WaiChing Sun
• Abstract要約: グラフデータに幾何学的機械学習を用いて非線形次元還元法と塑性モデルとの接続を確立する。 対応するデコーダは、これらの低次元内部変数を重み付きグラフに変換して、塑性変形の卓越した位相特性を観察し解析することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The history-dependent behaviors of classical plasticity models are often driven by internal variables evolved according to phenomenological laws. The difficulty to interpret how these internal variables represent a history of deformation, the lack of direct measurement of these internal variables for calibration and validation, and the weak physical underpinning of those phenomenological laws have long been criticized as barriers to creating realistic models. In this work, geometric machine learning on graph data (e.g. finite element solutions) is used as a means to establish a connection between nonlinear dimensional reduction techniques and plasticity models. Geometric learning-based encoding on graphs allows the embedding of rich time-history data onto a low-dimensional Euclidean space such that the evolution of plastic deformation can be predicted in the embedded feature space. A corresponding decoder can then convert these low-dimensional internal variables back into a weighted graph such that the dominating topological features of plastic deformation can be observed and analyzed.
• Abstract（参考訳）: 古典的な可塑性モデルの履歴依存的挙動は、現象論的法則に従って進化した内部変数によってしばしば引き起こされる。 これらの内部変数がどのように変形の歴史を表すかを理解するのが困難であること、キャリブレーションと検証のための内部変数の直接測定の欠如、そしてこれらの現象学的法則の弱い物理的基盤は、現実的なモデルを作る障壁として長い間批判されてきた。 本研究では, 非線形次元還元法と塑性モデルとの接続を確立する手段として, グラフデータ上の幾何学的機械学習(有限要素解など)を用いる。 グラフ上の幾何学的学習に基づく符号化により、リッチな時間履歴データを低次元ユークリッド空間に埋め込むことができ、プラスチック変形の進化が埋め込み特徴空間で予測できる。 対応するデコーダは、これらの低次元の内部変数を重み付けグラフに変換でき、塑性変形の位相的特徴を観測して解析することができる。

関連論文リスト

• Analyzing Deep Transformer Models for Time Series Forecasting via Manifold Learning [4.910937238451485]
  トランスフォーマーモデルは、自然言語処理やコンピュータビジョンといった様々な領域において、一貫して顕著な成果を上げてきた。 これらのモデルをよりよく理解するための継続的な研究努力にもかかわらず、この分野はいまだに包括的な理解を欠いている。 画像やテキスト情報とは異なり、時系列データは解釈し分析することがより困難である。
  論文  参考訳（メタデータ） (2024-10-17T17:32:35Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
  非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。 我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
  論文  参考訳（メタデータ） (2024-03-03T02:19:49Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Constructing Effective Machine Learning Models for the Sciences: A Multidisciplinary Perspective [77.53142165205281]
  線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。 データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2022-11-21T17:48:44Z)
• Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
  トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。 我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
  論文  参考訳（メタデータ） (2022-11-07T14:52:58Z)
• Evolution TANN and the discovery of the internal variables and evolution equations in solid mechanics [0.0]
  材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。 熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。 提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
  論文  参考訳（メタデータ） (2022-09-27T09:25:55Z)
• Learning from few examples with nonlinear feature maps [68.8204255655161]
  我々はこの現象を探求し、AIモデルの特徴空間の次元性、データ分散の非退化、モデルの一般化能力の間の重要な関係を明らかにする。 本分析の主な推力は、元のデータを高次元および無限次元空間にマッピングする非線形特徴変換が結果のモデル一般化能力に与える影響である。
  論文  参考訳（メタデータ） (2022-03-31T10:36:50Z)
• Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
  3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。 本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。 得られたモデルは生の3D形状からトレーニングできる。
  論文  参考訳（メタデータ） (2021-02-27T06:54:31Z)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)

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。