論文の概要: Neurosymbolic Artificial Intelligence (NSAI) based Algorithm for predicting the Impact Strength of Additive Manufactured Polylactic Acid (PLA) Specimens

• arxiv url: http://arxiv.org/abs/2305.05668v1
• Date: Sun, 7 May 2023 12:11:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 15:54:46.685446
• Title: Neurosymbolic Artificial Intelligence (NSAI) based Algorithm for predicting the Impact Strength of Additive Manufactured Polylactic Acid (PLA) Specimens
• Title（参考訳）: 付加生成ポリ乳酸(PLA)試料の衝撃強度予測のためのニューロシンボリック人工知能(NSAI)に基づくアルゴリズム
• Authors: Akshansh Mishra, Vijaykumar S Jatti
• Abstract要約: 本稿では, 付加生成ポリ乳酸 (PLA) 成分の衝撃強度を予測するために, NSAI (Neurosymbolic Artificial Intelligence) の応用について紹介する。 NSAIモデルはニューラルネットワークとシンボリックAIの利点を活かし、従来の機械学習技術よりも堅牢で正確な予測を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we introduce application of Neurosymbolic Artificial Intelligence (NSAI) for predicting the impact strength of additive manufactured polylactic acid (PLA) components, representing the first-ever use of NSAI in the domain of additive manufacturing. The NSAI model amalgamates the advantages of neural networks and symbolic AI, offering a more robust and accurate prediction than traditional machine learning techniques. Experimental data was collected and synthetically augmented to 1000 data points, enhancing the model's precision. The Neurosymbolic model was developed using a neural network architecture comprising input, two hidden layers, and an output layer, followed by a decision tree regressor representing the symbolic component. The model's performance was benchmarked against a Simple Artificial Neural Network (ANN) model by assessing mean squared error (MSE) and R-squared (R2) values for both training and validation datasets. The results reveal that the Neurosymbolic model surpasses the Simple ANN model, attaining lower MSE and higher R2 values for both training and validation sets. This innovative application of the Neurosymbolic approach in estimating the impact strength of additive manufactured PLA components underscores its potential for optimizing the additive manufacturing process. Future research could investigate further refinements to the Neurosymbolic model, extend its application to other materials and additive manufacturing processes, and incorporate real-time monitoring and control for enhanced process optimization.
• Abstract（参考訳）: 本研究では, 添加性ポリ乳酸 (PLA) 成分の衝撃強度を予測するためのニューロシンボリック人工知能 (NSAI) の応用について紹介し, 添加性製造分野におけるNSAIの初めての使用例を示す。 NSAIモデルはニューラルネットワークとシンボリックAIの利点を活かし、従来の機械学習技術よりも堅牢で正確な予測を提供する。 実験データは収集され、1000データポイントまで合成的に拡張され、モデルの精度が向上した。 ニューロシンボリックモデルは、入力と2つの隠れ層と出力層からなるニューラルネットワークアーキテクチャを使用して開発された。 このモデルの性能は、トレーニングと検証の両方のデータセットの平均2乗誤差(MSE)とR-2乗誤差(R2)を評価することで、単純なニューラルネットワーク(ANN)モデルと比較された。 その結果, ニューロシンボリックモデルは単純なANNモデルを超え, トレーニングセットと検証セットの両方において, 低いMSEと高いR2値が得られることがわかった。 このニューロシンボリックアプローチによる添加物製造pla部品の衝撃強度推定の革新的応用は、添加物製造工程の最適化にその可能性の中核をなしている。 今後の研究は、ニューロシンボリックモデルをさらに改良し、その応用を他の材料や追加製造プロセスに拡張し、リアルタイムモニタリングと制御を組み込んでプロセス最適化を最適化する。

関連論文リスト

• Advancing fNIRS Neuroimaging through Synthetic Data Generation and Machine Learning Applications [0.0]
  本研究では,機能的近赤外分光法(fNIRS)の神経イメージングへの統合的アプローチを提案する。 高品質なニューロイメージングデータセットの不足に対処することにより、モンテカルロシミュレーションとパラメトリックヘッドモデルを利用して総合的な合成データセットを生成する。 スケーラブルなデータ生成と処理のためにクラウドベースのインフラストラクチャが確立され、ニューロイメージングデータのアクセシビリティと品質が向上する。
  論文  参考訳（メタデータ） (2024-05-18T09:50:19Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• NAR-Former: Neural Architecture Representation Learning towards Holistic Attributes Prediction [37.357949900603295]
  本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。 実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T10:15:21Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Neuro-Symbolic AI: An Emerging Class of AI Workloads and their Characterization [0.9949801888214526]
  ニューロシンボリック人工知能(Neuro-symbolic AI)は、AI研究の新たな分野である。 本稿では,最近の3つのニューロシンボリックモデルの性能特性について述べる。
  論文  参考訳（メタデータ） (2021-09-13T17:19:59Z)
• Quantitative Evaluation of Explainable Graph Neural Networks for Molecular Property Prediction [2.8544822698499255]
  グラフニューラルネットワーク(GNN)は、解釈可能性の欠如により、薬物発見において限定的に受け入れられている。 本研究では,最新のGNNモデルの解釈可能性を定量的に評価するために,3段階のベンチマークデータセットを構築した。 我々は,最近のXAI手法と異なるGNNアルゴリズムを組み合わせることで,薬物発見のメリット,限界,今後の可能性を明らかにする。
  論文  参考訳（メタデータ） (2021-07-01T04:49:29Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。