論文の概要: Recent Advances and Applications of Machine Learning in Experimental
Solid Mechanics: A Review
- arxiv url: http://arxiv.org/abs/2303.07647v4
- Date: Wed, 6 Sep 2023 05:06:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 19:26:07.777532
- Title: Recent Advances and Applications of Machine Learning in Experimental
Solid Mechanics: A Review
- Title（参考訳）: 実験固体力学における機械学習の最近の進歩と応用
- Authors: Hanxun Jin, Enrui Zhang, Horacio D. Espinosa
- Abstract要約: 機械学習(ML)の最近の進歩は、実験的な固体力学の新しい機会を提供する。
このレビューは、MLメソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に組み込むための様々な例を提供することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For many decades, experimental solid mechanics has played a crucial role in
characterizing and understanding the mechanical properties of natural and novel
materials. Recent advances in machine learning (ML) provide new opportunities
for the field, including experimental design, data analysis, uncertainty
quantification, and inverse problems. As the number of papers published in
recent years in this emerging field is exploding, it is timely to conduct a
comprehensive and up-to-date review of recent ML applications in experimental
solid mechanics. Here, we first provide an overview of common ML algorithms and
terminologies that are pertinent to this review, with emphasis placed on
physics-informed and physics-based ML methods. Then, we provide thorough
coverage of recent ML applications in traditional and emerging areas of
experimental mechanics, including fracture mechanics, biomechanics, nano- and
micro-mechanics, architected materials, and 2D material. Finally, we highlight
some current challenges of applying ML to multi-modality and multi-fidelity
experimental datasets and propose several future research directions. This
review aims to provide valuable insights into the use of ML methods as well as
a variety of examples for researchers in solid mechanics to integrate into
their experiments.
- Abstract（参考訳）: 長年にわたり、実験的な固体力学は自然および新規物質の力学特性を特徴づけ、理解する上で重要な役割を担ってきた。
機械学習(ML)の最近の進歩は、実験設計、データ分析、不確実性定量化、逆問題など、この分野に新たな機会をもたらす。
この新興分野における近年の論文の数が爆発的に増えているため、実験固体力学における最近のML応用の包括的かつ最新のレビューを行うのは時期尚早である。
本稿では、まず、このレビューに係わる共通MLアルゴリズムと用語の概要を説明し、物理インフォームドおよび物理ベースのML手法に重点を置いている。
次に, 破壊力学, バイオメカニクス, ナノ・マイクロメカニクス, 建築材料, 2次元材料など, 従来および新興の実験力学分野における最近のML応用について概説する。
最後に,MLを多モードおよび多忠実な実験データセットに適用する現在の課題を強調し,今後の研究方向性を提案する。
このレビューは、MLメソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に組み込むための様々な例を提供することを目的としている。
関連論文リスト
- Novel machine learning applications at the LHC [0.7124798686452959]
機械学習(ML)は、素粒子物理学の分野で急速に成長している研究分野である。
LHC実験において,新しいML手法と最近の研究結果について,分類,高速シミュレーション,展開,異常検出について述べる。
論文 参考訳（メタデータ） (2024-09-30T15:40:56Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Opportunities for machine learning in scientific discovery [16.526872562935463]
我々は、科学コミュニティが科学的な発見を達成するために機械学習技術をどのように活用できるかをレビューする。
課題は残るが、MLの原則的利用は基本的な科学的発見のための新たな道を開く。
論文 参考訳（メタデータ） (2024-05-07T09:58:02Z) - Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications [3.430730454702436]
物理学と機械学習の交わりは、物理学の強化された機械学習(PEML)パラダイムを生み出した。
PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。
本論文は, 科学・工学研究の限界を推し進める上で, PEMLの重要性を浮き彫りにするものである。
論文 参考訳（メタデータ） (2023-10-31T12:50:25Z) - The transformative potential of machine learning for experiments in
fluid mechanics [1.9459588807364006]
この視点は、機械学習の進歩の恩恵を受けるための実験流体力学のいくつかの側面を強調します。
いずれの場合も、近年の成功談や進行中の課題について、注意点や限界とともに論じ、ML強化およびML対応実験流体力学の新しい手法の可能性について概説する。
論文 参考訳（メタデータ） (2023-03-28T09:03:47Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - Advanced Multi-Variate Analysis Methods for New Physics Searches at the
Large Hadron Collider [72.34476433304168]
ava4newphysicsは、高度多変量解析法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究した。
これらの手法の多くは、CERNにおけるATLASおよびCMS実験によるデータ解析の感度向上に成功している。
テスト段階にある他のいくつかは、基礎物理学パラメータの測定の精度と新しい現象の探索の到達範囲をさらに改善することを約束している。
論文 参考訳（メタデータ） (2021-05-16T22:20:30Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z) - Machine Learning for Condensed Matter Physics [0.0]
凝縮物質物理学(CMP)は、量子と原子レベルの物質の微視的相互作用を理解することを目的としている。
CMPは、化学、材料科学、統計物理学、高性能コンピューティングなど、多くの重要な科学分野と重なり合っている。
現代の機械学習(ML)技術は、両方の分野の交差点で魅力的な新しい研究領域を生み出した。
論文 参考訳（メタデータ） (2020-05-28T18:44:55Z)
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。