論文の概要: Neural Network Accelerated Process Design of Polycrystalline Microstructures

• arxiv url: http://arxiv.org/abs/2305.00003v2
• Date: Wed, 3 May 2023 04:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 17:16:47.562535
• Title: Neural Network Accelerated Process Design of Polycrystalline Microstructures
• Title（参考訳）: 多結晶組織のニューラルネットワークによるプロセス設計
• Authors: Junrong Lin, Mahmudul Hasan, Pinar Acar, Jose Blanchet and Vahid Tarokh
• Abstract要約: 物理拡散制約を用いたニューラルネットワーク(NN)による微細構造進化予測手法を開発した。 本研究では,銅の均一化剛性を最大化するためにNN法を適用した。 従来の有限要素シミュレータと比較して均質化剛性は0.053%の誤差で686倍高速であることがわかった。
• 参考スコア（独自算出の注目度）: 23.897115046430635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational experiments are exploited in finding a well-designed processing path to optimize material structures for desired properties. This requires understanding the interplay between the processing-(micro)structure-property linkages using a multi-scale approach that connects the macro-scale (process parameters) to meso (homogenized properties) and micro (crystallographic texture) scales. Due to the nature of the problem's multi-scale modeling setup, possible processing path choices could grow exponentially as the decision tree becomes deeper, and the traditional simulators' speed reaches a critical computational threshold. To lessen the computational burden for predicting microstructural evolution under given loading conditions, we develop a neural network (NN)-based method with physics-infused constraints. The NN aims to learn the evolution of microstructures under each elementary process. Our method is effective and robust in finding optimal processing paths. In this study, our NN-based method is applied to maximize the homogenized stiffness of a Copper microstructure, and it is found to be 686 times faster while achieving 0.053% error in the resulting homogenized stiffness compared to the traditional finite element simulator on a 10-process experiment.
• Abstract（参考訳）: 計算実験は、材料構造を望ましい性質に最適化するよく設計された処理経路を見つけるために利用される。 これは、マクロスケール(プロセスパラメータ)をメソ(均質化特性)とマイクロ(結晶テクスチャ)スケールに接続するマルチスケールアプローチを用いて、プロセス-(ミクロ)構造-プロパティ結合間の相互作用を理解する必要がある。 マルチスケール・モデリング・セットアップの性質から、決定木が深くなるにつれて処理経路の選択が指数関数的に増加し、従来のシミュレータの速度が重要な計算しきい値に達する可能性がある。 所与の負荷条件下での微構造進化を予測する際の計算負担を軽減するために,物理拡散制約を用いたニューラルネットワーク(NN)ベースの手法を開発した。 NNは、各基本過程下での微細構造の進化を学習することを目的としている。 本手法は最適処理経路の探索に有効で堅牢である。 本研究では, 均質化剛性を最大化するためにnn法を適用し, 得られた均質化剛性は10過程実験における従来の有限要素シミュレータと比較して0.053%の誤差を達成するとともに, 686倍高速であることが判明した。

関連論文リスト

• Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
  本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。 具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。 提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
  論文  参考訳（メタデータ） (2024-09-13T20:43:16Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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 deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• De-homogenization using Convolutional Neural Networks [1.0323063834827415]
  本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。 パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
  論文  参考訳（メタデータ） (2021-05-10T09:50:06Z)

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。