論文の概要: StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks

• arxiv url: http://arxiv.org/abs/2306.12818v2
• Date: Fri, 10 Nov 2023 09:49:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 18:04:39.160980
• Title: StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks
• Title（参考訳）: StrainTensorNet:SE(3)-等変グラフニューラルネットワークによる結晶構造弾性の予測
• Authors: Teerachote Pakornchote, Annop Ektarawong, Thiparat Chotibut
• Abstract要約: 結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。 このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
• 参考スコア（独自算出の注目度）: 1.9260081982051918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting the elastic properties of crystalline solids is vital for computational materials science. However, traditional atomistic scale ab initio approaches are computationally intensive, especially for studying complex materials with a large number of atoms in a unit cell. We introduce a novel data-driven approach to efficiently predict the elastic properties of crystal structures using SE(3)-equivariant graph neural networks (GNNs). This approach yields important scalar elastic moduli with the accuracy comparable to recent data-driven studies. Importantly, our symmetry-aware GNNs model also enables the prediction of the strain energy density (SED) and the associated elastic constants, the fundamental tensorial quantities that are significantly influenced by a material's crystallographic group. The model consistently distinguishes independent elements of SED tensors, in accordance with the symmetry of the crystal structures. Finally, our deep learning model possesses meaningful latent features, offering an interpretable prediction of the elastic properties.
• Abstract（参考訳）: 結晶性固体の弾性特性を正確に予測することは計算材料科学にとって不可欠である。 しかしながら、従来の原子スケールabイニシアトアプローチは、特に単位セル内に多数の原子を持つ複雑な物質を研究するために、計算的に集約的である。 本稿では,SE(3)-同変グラフニューラルネットワーク(GNN)を用いて結晶構造の弾性特性を効率的に予測する新しいデータ駆動手法を提案する。 このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。 重要なことに,我々の対称性を考慮したGNNモデルは,材料の結晶群に大きく影響される基本テンソル量であるひずみエネルギー密度(SED)と関連する弾性定数の予測を可能にする。 このモデルは、結晶構造の対称性に従ってSEDテンソルの独立要素を一貫して区別する。 最後に,我々のディープラーニングモデルは有意な潜在特性を有し,弾性特性の解釈可能な予測を提供する。

関連論文リスト

• A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction [89.38877696273364]
  結晶材料の一般的な引張特性の予測について考察する。 本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。 実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-03T16:26:16Z)
• Energy-conserving equivariant GNN for elasticity of lattice architected metamaterials [3.7852720324045444]
  我々は、ストラットベースの格子に対する構造-プロパティ関係の大きなデータセットを生成する。 データセットはコミュニティで利用でき、物理的な原則に固定されたメソッドの開発を促進することができる。 このデータセットでトレーニングした高階GNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-30T11:25:49Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials [0.0]
  材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。 DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。 実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
  論文  参考訳（メタデータ） (2023-09-07T05:23:52Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Static, dynamic and stability analysis of multi-dimensional functional graded plate with variable thickness using deep neural network [0.0]
  本研究の目的は,多方向機能グレード(FG)プレートの中央偏向,自然周波数,臨界座屈荷重の解析と予測である。 材料特性はプレートの3方向を通してスムーズかつ連続的に変化すると仮定される。
  論文  参考訳（メタデータ） (2023-01-14T11:37:01Z)
• MD-inferred neural network monoclinic finite-strain hyperelasticity models for $\beta$-HMX: Sobolev training and validation against physical constraints [2.3816618027381438]
  我々は,モノクリニック有機分子結晶$beta$-HMXの異方性弾性応答を予測するためにニューラルネットワークを訓練し,検証した。 我々は、異なるソボレフ制約下でのニューラルネットワークのトレーニング効率を比較し、$beta$-HMXのMDベンチマークに対してモデルの正確性と堅牢性を評価する。
  論文  参考訳（メタデータ） (2021-11-29T23:38:31Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• 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)
• Thermodynamics-based Artificial Neural Networks (TANN) for multiscale modeling of materials with inelastic microstructure [0.0]
  マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。 ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。 本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
  論文  参考訳（メタデータ） (2021-08-30T11:50:38Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。