論文の概要: Predicting mechanical properties of Carbon Nanotube (CNT) images Using
Multi-Layer Synthetic Finite Element Model Simulations
- arxiv url: http://arxiv.org/abs/2307.07912v1
- Date: Sun, 16 Jul 2023 01:10:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 17:10:29.529613
- Title: Predicting mechanical properties of Carbon Nanotube (CNT) images Using
Multi-Layer Synthetic Finite Element Model Simulations
- Title（参考訳）: 多層合成有限要素モデルシミュレーションによるカーボンナノチューブ(cnt)像の力学特性の予測
- Authors: Kaveh Safavigerdini, Koundinya Nouduri, Ramakrishna Surya, Andrew
Reinhard, Zach Quinlan, Filiz Bunyak, Matthew R. Maschmann, Kannappan
Palaniappan
- Abstract要約: 本稿では,AIに基づく材料発見のためのディープラーニングモデルを用いて,垂直方向のカーボンナノチューブ(CNT)森林画像の力学的特性を予測するパイプラインを提案する。
提案手法は,多層合成(MLS)や準2.5D画像を用いた革新的なデータ拡張手法を取り入れたものである。
MLS画像は、CNTの3D合成および実走査電子顕微鏡(SEM)画像によく似ているが、高価な3Dシミュレーションや実験を行うのに計算コストがかからない。
- 参考スコア（独自算出の注目度）: 6.290235318056729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a pipeline for predicting mechanical properties of
vertically-oriented carbon nanotube (CNT) forest images using a deep learning
model for artificial intelligence (AI)-based materials discovery. Our approach
incorporates an innovative data augmentation technique that involves the use of
multi-layer synthetic (MLS) or quasi-2.5D images which are generated by
blending 2D synthetic images. The MLS images more closely resemble 3D synthetic
and real scanning electron microscopy (SEM) images of CNTs but without the
computational cost of performing expensive 3D simulations or experiments.
Mechanical properties such as stiffness and buckling load for the MLS images
are estimated using a physics-based model. The proposed deep learning
architecture, CNTNeXt, builds upon our previous CNTNet neural network, using a
ResNeXt feature representation followed by random forest regression estimator.
Our machine learning approach for predicting CNT physical properties by
utilizing a blended set of synthetic images is expected to outperform single
synthetic image-based learning when it comes to predicting mechanical
properties of real scanning electron microscopy images. This has the potential
to accelerate understanding and control of CNT forest self-assembly for diverse
applications.
- Abstract（参考訳）: 本稿では,AIに基づく材料発見のためのディープラーニングモデルを用いて,垂直方向のカーボンナノチューブ(CNT)森林画像の力学的特性を予測するパイプラインを提案する。
本手法は,2次元合成画像をブレンドして生成する多層合成(mls)または準2.5d画像を用いた革新的なデータ拡張手法を取り入れている。
mls画像は3d合成・実走査電子顕微鏡(sem)画像によく似ているが、高価な3dシミュレーションや実験を行う計算コストは伴わない。
物理モデルを用いて, MLS画像の剛性や座屈荷重などの力学特性を推定した。
提案したディープラーニングアーキテクチャであるCNTNeXtは、ResNeXtの特徴表現とランダム森林回帰推定器を用いて、これまでのCNTNetニューラルネットワーク上に構築されている。
合成画像の混合集合を利用してCNT物理特性を予測する機械学習手法は, 実走査電子顕微鏡画像の力学的特性の予測において, 単一合成画像ベース学習より優れていることが期待される。
これは、多様な用途において、CNT森林の自己集合の理解と制御を加速する可能性がある。
関連論文リスト
- PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data [0.0]
パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
論文 参考訳（メタデータ） (2023-10-27T22:49:08Z) - Reliable machine learning potentials based on artificial neural network
for graphene [2.115174610040722]
グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。
分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。
人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
論文 参考訳（メタデータ） (2023-06-12T17:12:08Z) - GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from
Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。
具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文 参考訳（メタデータ） (2023-03-24T03:32:02Z) - PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for
Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。
本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。
マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文 参考訳（メタデータ） (2023-03-09T18:59:50Z) - Scientific Computing with Diffractive Optical Neural Networks [2.580765958706854]
我々は、科学計算のための全光再構成可能DONNシステムの展開を数値的および実験的に実証した。
DONNシステムで処理可能な画像に分類入力特徴を変換するための普遍的特徴工学手法を開発した。
論文 参考訳（メタデータ） (2023-02-12T23:50:37Z) - Pit-Pattern Classification of Colorectal Cancer Polyps Using a Hyper
Sensitive Vision-Based Tactile Sensor and Dilated Residual Networks [4.056583163276972]
我々は,HySenSeと呼ばれる高感度視覚に基づく触覚センサと,補完的で斬新な機械学習アーキテクチャを活用することを提案する。
提案されたアーキテクチャは最先端のMLモデル(例えばAlexNetやDenseNet)と比較され、性能と複雑さの点で優れていることが判明した。
論文 参考訳（メタデータ） (2022-11-13T04:42:10Z) - Multi-View Photometric Stereo Revisited [100.97116470055273]
多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。
MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。
提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
論文 参考訳（メタデータ） (2022-10-14T09:46:15Z) - Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image
Decomposition [67.9464567157846]
合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。
実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
論文 参考訳（メタデータ） (2020-06-29T12:53:58Z)
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。