論文の概要: Towards Microstructural State Variables in Materials Systems

• arxiv url: http://arxiv.org/abs/2301.04261v1
• Date: Wed, 11 Jan 2023 01:49:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 14:38:50.842241
• Title: Towards Microstructural State Variables in Materials Systems
• Title（参考訳）: 材料システムにおけるミクロ構造変化
• Authors: Veera Sundararaghavan, Megna N. Shah, Jeff P. Simmons
• Abstract要約: 本稿では,微視的画像データ削減に着目した次元性および状態変数推定手法の定式化を目的とする。 p-ミンコフスキー距離の自然画像に対して、近傍の近傍線に基づく局所次元推定が一貫した次元推定を与える傾向があることが示されている。 また, 積層自己エンコーダは, 高次元微細構造データの生成空間を再構築し, 材料ミクロ構造の変動性を完全に記述するために, 状態変数のスパースセットを提供する。
• 参考スコア（独自算出の注目度）: 0.1473281171535445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vast combination of material properties seen in nature are achieved by the complexity of the material microstructure. Advanced characterization and physics based simulation techniques have led to generation of extremely large microstructural datasets. There is a need for machine learning techniques that can manage data complexity by capturing the maximal amount of information about the microstructure using the least number of variables. This paper aims to formulate dimensionality and state variable estimation techniques focused on reducing microstructural image data. It is shown that local dimensionality estimation based on nearest neighbors tend to give consistent dimension estimates for natural images for all p-Minkowski distances. However, it is found that dimensionality estimates have a systematic error for low-bit depth microstructural images. The use of Manhattan distance to alleviate this issue is demonstrated. It is also shown that stacked autoencoders can reconstruct the generator space of high dimensional microstructural data and provide a sparse set of state variables to fully describe the variability in material microstructures.
• Abstract（参考訳）: 自然界で見られる材料特性の膨大な組み合わせは、材料ミクロ構造の複雑さによって達成される。 高度なキャラクタリゼーションと物理に基づくシミュレーション技術により、非常に大きなミクロ構造データセットが生成される。 最小数の変数を用いて、マイクロ構造に関する情報の最大量をキャプチャすることで、データの複雑さを管理する機械学習技術が必要である。 本稿では,微視的画像データ削減に着目した次元性および状態変数推定手法の定式化を目的とする。 近接近傍に基づく局所次元推定は,すべてのp-ミンコフスキー距離に対する自然画像に対して一貫した次元推定を与える傾向がある。 しかし, 次元推定は低ビット深部構造像に対して系統的誤差を有することがわかった。 この問題を緩和するためのマンハッタン距離の使用が実証された。 また, 積層オートエンコーダは, 高次元構造データの生成空間を再構成し, 材料微細構造の変動性を完全に記述する状態変数のスパースセットを提供できることを示した。

関連論文リスト

• Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space [3.434553688053531]
  変分オートエンコーダ(VAE)を訓練し、元のテクスチャの空間統計を保存するテクスチャの再構築を行う。 空間統計空間における原点と再構成の間の距離を最小化するために,コスト関数に微分可能な項を加えることで,これを実現する。
  論文  参考訳（メタデータ） (2024-02-16T22:16:14Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• MicroLib: A library of 3D microstructures generated from 2D micrographs using SliceGAN [0.0]
  3次元マイクロ構造データセットは、有限要素モデリングで使用される幾何学的領域を定義するために一般的に用いられる。 任意の大きさの3Dマイクロ構造データセットを統計的に生成する機械学習手法であるSliceGANを開発した。 生体材料から高強度鋼まで,87種類の組織にSliceGANを適用した結果について報告する。
  論文  参考訳（メタデータ） (2022-10-12T19:13:28Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)
• 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)
• Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
  モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。 提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-16T21:58:47Z)

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。