論文の概要: Graph Neural Networks-based Hybrid Framework For Predicting Particle
Crushing Strength
- arxiv url: http://arxiv.org/abs/2307.13909v1
- Date: Wed, 26 Jul 2023 02:18:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 13:46:19.144278
- Title: Graph Neural Networks-based Hybrid Framework For Predicting Particle
Crushing Strength
- Title(参考訳): グラフニューラルネットワークを用いた粒子破砕強度予測用ハイブリッドフレームワーク
- Authors: Tongya Zheng, Tianli Zhang, Qingzheng Guan, Wenjie Huang, Zunlei Feng,
Mingli Song, Chun Chen
- Abstract要約: 粒子破砕の機械的挙動を特徴付けるためにグラフニューラルネットワークを用いる。
我々は,粒状フラグメントビューにおける粒子破砕強度を予測するために,GNNに基づくハイブリッドフレームワークを考案した。
我々のデータとコードはhttps://github.com/doujiang-zheng/GNN-For-Particle-Crushingで公開されています。
- 参考スコア(独自算出の注目度): 31.05985193732974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks have emerged as an effective machine learning tool for
multi-disciplinary tasks such as pharmaceutical molecule classification and
chemical reaction prediction, because they can model non-euclidean
relationships between different entities. Particle crushing, as a significant
field of civil engineering, describes the breakage of granular materials caused
by the breakage of particle fragment bonds under the modeling of numerical
simulations, which motivates us to characterize the mechanical behaviors of
particle crushing through the connectivity of particle fragments with Graph
Neural Networks (GNNs). However, there lacks an open-source large-scale
particle crushing dataset for research due to the expensive costs of laboratory
tests or numerical simulations. Therefore, we firstly generate a dataset with
45,000 numerical simulations and 900 particle types to facilitate the research
progress of machine learning for particle crushing. Secondly, we devise a
hybrid framework based on GNNs to predict particle crushing strength in a
particle fragment view with the advances of state of the art GNNs. Finally, we
compare our hybrid framework against traditional machine learning methods and
the plain MLP to verify its effectiveness. The usefulness of different features
is further discussed through the gradient attribution explanation w.r.t the
predictions. Our data and code are released at
https://github.com/doujiang-zheng/GNN-For-Particle-Crushing.
- Abstract(参考訳): グラフニューラルネットワークは、異なる実体間の非ユークリッド関係をモデル化できるため、薬品分子の分類や化学反応予測のような多分野のタスクに有効な機械学習ツールとして登場した。
粒子破砕は土木工学の重要な分野として、粒子断片結合の破壊による粒状物質の破壊を数値シミュレーションのモデルで記述し、粒子断片とグラフニューラルネットワーク(GNN)との接続を通して粒子破砕の機械的挙動を特徴づける動機となった。
しかし、実験室試験や数値シミュレーションの費用がかかるため、研究用のオープンソースの大規模粒子破砕データセットが欠落している。
そこで,まず 45,000 個の数値シミュレーションと 900 個の粒子タイプからなるデータセットを生成し, 粒子破砕のための機械学習の研究の進展を促進する。
第二に, 粒子フラグメントビューにおける粒子破砕強度を予測するために, gnnsに基づくハイブリッドフレームワークを考案し, 最先端の技術gnnを用いて, 粒子破砕強度を予測する。
最後に,従来の機械学習手法と平易なmlpとのハイブリッドフレームワークを比較し,その有効性を確認した。
異なる特徴の有用性は、予測値の勾配属性説明によってさらに議論される。
我々のデータとコードはhttps://github.com/doujiang-zheng/GNN-For-Particle-Crushingで公開されています。
関連論文リスト
- Machine Learning Aided Modeling of Granular Materials: A Review [3.8914237516698726]
AIの幅広いカテゴリのサブセットとしての機械学習は、粒状材料の研究コミュニティでかなりの注目を集めている。
この研究は、粒状物質の機械学習支援研究における最近の進歩の詳細なレビューを提供する。
粒状物質の挙動を学習するための異なるニューラルネットワークをレビューし、比較する。
ニューラルネットワークと数値計算を組み合わせた実用工学・境界値問題のマクロシミュレーションについて論じる。
論文 参考訳(メタデータ) (2024-10-18T15:53:04Z) - Learning to Simulate Aerosol Dynamics with Graph Neural Networks [3.3827383663816364]
大気エアロゾルが気候、天候、大気品質に与える影響は、個々の粒子の特性に依存する。
粒子分解モデルは、粒子物理化学的性質においてこの多様性を捉えることができる唯一のモデルであり、これらのモデルは計算的に高価である。
本稿では,このモデルを用いて粒子分解モデルPartMC-MOSAICのサロゲートを学習する。
結果は、フレームワークが化学力学を正確に学習し、異なるシナリオをまたいで一般化し、効率的なトレーニングと予測時間を達成する能力を示す。
論文 参考訳(メタデータ) (2024-09-20T19:21:43Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳(メタデータ) (2023-03-10T20:36:23Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳(メタデータ) (2022-07-22T03:45:29Z) - Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network [21.266813711114153]
我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。
これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。
提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
論文 参考訳(メタデータ) (2022-06-17T14:05:53Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳(メタデータ) (2021-02-04T03:11:00Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。