論文の概要: Accelerating discrete dislocation dynamics simulations with graph neural networks

• arxiv url: http://arxiv.org/abs/2208.03296v1
• Date: Fri, 5 Aug 2022 17:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:15:57.585692
• Title: Accelerating discrete dislocation dynamics simulations with graph neural networks
• Title（参考訳）: グラフニューラルネットワークによる離散的転位ダイナミクスシミュレーションの高速化
• Authors: Nicolas Bertin, Fei Zhou
• Abstract要約: 本稿では、DDDトラジェクトリに基づいてトレーニングされたグラフニューラルネットワークモデルによって、転位運動の高価な時間統合を完全に置き換える、新しいDDD-GNNフレームワークを紹介する。 DDD-GNNモデルは安定しており、さまざまなストレッチレートと障害物密度に対して、よく見えない基礎的なDDDシミュレーション応答を再現しています。
• 参考スコア（独自算出の注目度）: 5.647516208808728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete dislocation dynamics (DDD) is a widely employed computational method to study plasticity at the mesoscale that connects the motion of dislocation lines to the macroscopic response of crystalline materials. However, the computational cost of DDD simulations remains a bottleneck that limits its range of applicability. Here, we introduce a new DDD-GNN framework in which the expensive time-integration of dislocation motion is entirely substituted by a graph neural network (GNN) model trained on DDD trajectories. As a first application, we demonstrate the feasibility and potential of our method on a simple yet relevant model of a dislocation line gliding through a forest of obstacles. We show that the DDD-GNN model is stable and reproduces very well unseen ground-truth DDD simulation responses for a range of straining rates and obstacle densities, without the need to explicitly compute nodal forces or dislocation mobilities during time-integration. Our approach opens new promising avenues to accelerate DDD simulations and to incorporate more complex dislocation motion behaviors.
• Abstract（参考訳）: 離散転位力学 (DDD) はメソスケールで塑性を研究するために広く用いられている計算手法であり、転位線の運動と結晶材料のマクロ応答を結びつける。 しかし、DDDシミュレーションの計算コストは、適用範囲を制限するボトルネックのままです。 本稿では、DDDトラジェクトリに基づいてトレーニングされたグラフニューラルネットワーク(GNN)モデルによって、転位運動の高価な時間積分を完全に置き換える、新しいDDD-GNNフレームワークを紹介する。 最初の応用として、障害物の森を滑走する転位線の単純なモデルにおいて、本手法の有効性と可能性を示す。 我々は、DDD-GNNモデルが安定しており、時間積分中の結節力や転位モビリティを明示的に計算することなく、様々なストレッチレートと障害物密度に対して、非常によく見えない基盤的DDDシミュレーション応答を再現することを示した。 このアプローチはDDDシミュレーションを加速し、より複雑な転位動作を取り入れるために、新しい有望な道を開く。

関連論文リスト

• Principal Component Flow Map Learning of PDEs from Incomplete, Limited, and Noisy Data [0.0]
  本稿では,力学系の進化をモデル化する計算手法を提案する。 本研究では,高次元非一様格子上の部分観測偏微分方程式(PDE)をモデル化する上での課題に着目する。 本稿では、状態変数や計算領域のサブセットでのみ利用可能なノイズと制限付きデータを用いたPDEモデリングに適したニューラルネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:06:20Z)
• Constrained Exploration via Reflected Replica Exchange Stochastic Gradient Langevin Dynamics [10.290462113848054]
  ReSGLDは、大規模データセットの非二乗学習タスクに有効なツールである。 制約付きマルチモーダル分布と画像分類におけるシミュレーション効率の役割について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:25:03Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Learning dislocation dynamics mobility laws from large-scale MD simulations [6.058101483996012]
  機械学習(ML)フレームワークを導入し,データ駆動型モビリティ法の開発を効率化する。 大規模DDDシミュレーションで実装したGNNモビリティは,地中直流MDシミュレーションで観測された強み/圧縮非対称性を正確に再現する。
  論文  参考訳（メタデータ） (2023-09-25T18:16:45Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。