論文の概要: Segmenting mechanically heterogeneous domains via unsupervised learning

• arxiv url: http://arxiv.org/abs/2308.15697v1
• Date: Wed, 30 Aug 2023 01:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 15:15:26.162322
• Title: Segmenting mechanically heterogeneous domains via unsupervised learning
• Title（参考訳）: 非教師なし学習による機械的異種領域の分割
• Authors: Quan Nguyen, Emma Lejeune
• Abstract要約: 我々は、不均一な材料特性と機械的挙動のパターンを検出するための代替アプローチを探るため、機械学習アプローチの最近の進歩の上に構築する。 具体的には、クラスタリングとアンサンブルクラスタリングのための教師なし学習アプローチを探索し、異種領域を同定する。
• 参考スコア（独自算出の注目度）: 5.353809105814503
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: From biological organs to soft robotics, highly deformable materials are essential components of natural and engineered systems. These highly deformable materials can have heterogeneous material properties, and can experience heterogeneous deformations with or without underlying material heterogeneity. Many recent works have established that computational modeling approaches are well suited for understanding and predicting the consequences of material heterogeneity and for interpreting observed heterogeneous strain fields. In particular, there has been significant work towards developing inverse analysis approaches that can convert observed kinematic quantities (e.g., displacement, strain) to material properties and mechanical state. Despite the success of these approaches, they are not necessarily generalizable and often rely on tight control and knowledge of boundary conditions. Here, we will build on the recent advances (and ubiquity) of machine learning approaches to explore alternative approaches to detect patterns in heterogeneous material properties and mechanical behavior. Specifically, we will explore unsupervised learning approaches to clustering and ensemble clutering to identify heterogeneous regions. Overall, we find that these approaches are effective, yet limited in their abilities. Through this initial exploration (where all data and code is published alongside this manuscript), we set the stage for future studies that more specifically adapt these methods to mechanical data.
• Abstract（参考訳）: 生物器官からソフトロボティクスまで、高度に変形可能な材料は自然および工学的なシステムの不可欠な構成要素である。 これらの高変形性材料は異種材料特性を有し、基材不均質性の有無にかかわらず異種変形を経験できる。 近年の多くの研究は、計算モデリングのアプローチが物質的不均一性の結果を理解し予測し、観測された異種歪場を解釈するのに適していると結論づけている。 特に、観察された運動量(例えば変位、ひずみ)を物質的性質と機械的状態に変換する逆解析法の開発には大きな研究がなされてきた。 これらのアプローチの成功にもかかわらず、必ずしも一般化可能ではなく、境界条件の厳密な制御と知識に依存していることが多い。 ここでは、機械学習アプローチの最近の進歩(およびユビキティ)に基づいて、異種材料特性および機械的挙動のパターンを検出するための代替アプローチを検討する。 具体的には、クラスタリングとアンサンブルクラスタリングのための教師なし学習アプローチを検討し、異種領域を特定する。 全体として、これらのアプローチは効果的だが能力には制限がある。 この最初の調査(すべてのデータとコードをこの原稿と一緒に公開する)を通じて、これらの手法をより具体的に機械的データに適用する将来の研究のステージを設定しました。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Generative Hyperelasticity with Physics-Informed Probabilistic Diffusion Fields [0.0]
  データ駆動型ひずみエネルギー関数は、複雑な物質の挙動を捉える柔軟性を有する。 我々は、生成モデルにおける最近の進歩を活用して、現実的な超弾性材料モデルを作成する。 我々は、任意の測地に対する不均一な材料特性における空間的相関拡散へのアプローチを拡張した。
  論文  参考訳（メタデータ） (2023-09-11T19:35:23Z)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Enhancing Mechanical Metamodels with a Generative Model-Based Augmented Training Dataset [0.7734726150561089]
  組織の機械的挙動を定義する上で重要な役割を果たしているミクロ構造パターンをシミュレートすることは困難である。 本研究では,限られた入力パターンデータセットを増大させるツールとして,機械学習に基づく生成モデルの有効性について検討する。 Cahn-Hilliardパターンに基づく有限要素解析シミュレーションのオープンアクセスデータセットを作成しました。
  論文  参考訳（メタデータ） (2022-03-08T16:15:54Z)
• Properties from Mechanisms: An Equivariance Perspective on Identifiable Representation Learning [79.4957965474334]
  教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。 この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。 我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
  論文  参考訳（メタデータ） (2021-10-29T14:04:08Z)
• Supervised learning on heterogeneous, attributed entities interacting over time [0.0]
  グラフ機械学習の現在の状態は依然として不十分であり、空間と時間の包括的な機能エンジニアリングパラダイムで拡張する必要がある。 この提案は、グラフ機械学習の現在の状態が不適切なままであり、空間と時間の包括的な機能エンジニアリングパラダイムで拡張する必要があることを示している。
  論文  参考訳（メタデータ） (2020-07-22T14:19:11Z)

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。