論文の概要: MeLM, a generative pretrained language modeling framework that solves
forward and inverse mechanics problems
- arxiv url: http://arxiv.org/abs/2306.17525v1
- Date: Fri, 30 Jun 2023 10:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 18:48:03.210012
- Title: MeLM, a generative pretrained language modeling framework that solves
forward and inverse mechanics problems
- Title(参考訳): MeLM - 前方および逆メカニクス問題を解決する生成事前学習型言語モデリングフレームワーク
- Authors: Markus J. Buehler
- Abstract要約: 本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。
このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We report a flexible multi-modal mechanics language model, MeLM, applied to
solve various nonlinear forward and inverse problems, that can deal with a set
of instructions, numbers and microstructure data. The framework is applied to
various examples including bio-inspired hierarchical honeycomb design, carbon
nanotube mechanics, and protein unfolding. In spite of the flexible nature of
the model-which allows us to easily incorporate diverse materials, scales, and
mechanical features-it performs well across disparate forward and inverse
tasks. Based on an autoregressive attention-model, MeLM effectively represents
a large multi-particle system consisting of hundreds of millions of neurons,
where the interaction potentials are discovered through graph-forming
self-attention mechanisms that are then used to identify relationships from
emergent structures, while taking advantage of synergies discovered in the
training data. We show that the model can solve complex degenerate mechanics
design problems and determine novel material architectures across a range of
hierarchical levels, providing an avenue for materials discovery and analysis.
Looking beyond the demonstrations reported in this paper, we discuss other
opportunities in applied mechanics and general considerations about the use of
large language models in modeling, design, and analysis that can span a broad
spectrum of material properties from mechanical, thermal, optical, to
electronic.
- Abstract(参考訳): 本稿では,様々な非線形前方・逆問題の解法として,フレキシブルなマルチモーダル力学言語モデル,MELMを適用する。
この枠組みは、バイオインスパイアされた階層ハニカム設計、カーボンナノチューブ力学、タンパク質の展開を含む様々な例に適用される。
多様な材料、スケール、メカニカルな特徴を簡単に取り入れることができるモデルの柔軟な性質にもかかわらず、異なる前方および逆のタスクでうまく機能します。
自己回帰的注意モデルに基づいて、melmは、トレーニングデータで発見されたシナジーを活用しながら、創発的構造から関係を識別するグラフ形成自己照査機構によって相互作用電位が発見される、数億のニューロンからなる大きな多粒子系を効果的に表現する。
このモデルは複雑な縮退した力学設計問題を解き、様々な階層レベルで新しい材料アーキテクチャを決定できることを示し、材料の発見と分析の道筋を提供する。
本稿では, 機械, 熱, 光学, 電子など, 材料特性の幅広い範囲にまたがるモデリング, 設計, 解析における大規模言語モデルの利用について, 応用力学におけるその他の機会について考察する。
関連論文リスト
- Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳(メタデータ) (2024-07-17T20:01:21Z) - AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする
以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
論文 参考訳(メタデータ) (2024-07-13T22:46:02Z) - Cephalo: Multi-Modal Vision-Language Models for Bio-Inspired Materials Analysis and Design [0.0]
セファロ (Cephalo) は、材料科学の応用のために設計されたビジョン大型言語モデル(V-LLM)のシリーズである。
何千もの科学論文の総合的な画像とテキストデータに基づいて訓練されている。
ジェネレーティブ・アプリケーションには、花粉にインスパイアされた設計材料を含むバイオインスパイアされたデザインが含まれる。
論文 参考訳(メタデータ) (2024-05-29T13:34:32Z) - LVLM-Interpret: An Interpretability Tool for Large Vision-Language Models [50.259006481656094]
本稿では,大規模視覚言語モデルの内部メカニズムの理解を目的とした対話型アプリケーションを提案する。
このインタフェースは, 画像パッチの解釈可能性を高めるために設計されており, 応答の生成に有効である。
本稿では,一般的な大規模マルチモーダルモデルであるLLaVAにおける障害機構の理解に,アプリケーションがどのように役立つかのケーススタディを示す。
論文 参考訳(メタデータ) (2024-04-03T23:57:34Z) - X-LoRA: Mixture of Low-Rank Adapter Experts, a Flexible Framework for Large Language Models with Applications in Protein Mechanics and Molecular Design [0.0]
低ランク適応(LoRA)に基づくディープ・レイヤ・ワイド・トークン・レベル・アプローチを用いて、微調整された大規模言語モデルを作成するための専門家戦略の混合を報告する。
このデザインは、ニューラルネットワーク構築ブロックをさまざまな階層的な表現で再利用する、普遍性と多様性の生物学的原則にインスパイアされている。
我々は, バイオマテリアル分析, タンパク質力学, 設計に焦点をあてた, フォワード/逆解析タスク, 推論能力の強化など, 科学的能力を提供するX-LoRAモデルを開発した。
論文 参考訳(メタデータ) (2024-02-11T10:23:34Z) - ProtAgents: Protein discovery via large language model multi-agent
collaborations combining physics and machine learning [0.0]
ProtAgentsは、Large Language Models (LLMs)に基づいたde novoタンパク質設計のためのプラットフォームである。
異なる機能を持つ複数のAIエージェントは、動的環境内の複雑なタスクを協調的に処理する。
エージェントを設計する柔軟性と、動的LLMベースのマルチエージェント環境による自律的なコラボレーション能力は、大きな可能性を秘めている。
論文 参考訳(メタデータ) (2024-01-27T20:19:49Z) - Generative Pretrained Autoregressive Transformer Graph Neural Network
applied to the Analysis and Discovery of Novel Proteins [0.0]
本稿では,タンパク質モデリングにおける複雑な前方および逆問題を解決するために,フレキシブル言語モデルに基づくディープラーニング戦略を適用した。
本モデルを用いて, 二次構造含量(残量レベル, 全体含量), タンパク質溶解度, シークエンシングタスクの予測を行った。
追加タスクを追加することで、モデルが全体的なパフォーマンスを改善するために活用する創発的なシナジーが得られることが分かりました。
論文 参考訳(メタデータ) (2023-05-07T12:30:24Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳(メタデータ) (2022-10-07T17:56:53Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳(メタデータ) (2022-03-11T18:27:04Z) - 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) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z)
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。