Fugu-MT 論文翻訳(概要): Learning dislocation dynamics mobility laws from large-scale MD simulations

論文の概要: Learning dislocation dynamics mobility laws from large-scale MD simulations

arxiv url: http://arxiv.org/abs/2309.14450v1
Date: Mon, 25 Sep 2023 18:16:45 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 16:15:24.720599
Title: Learning dislocation dynamics mobility laws from large-scale MD simulations
Title（参考訳）: 大規模mdシミュレーションによる転位運動則の学習
Authors: Nicolas Bertin, Vasily V. Bulatov, Fei Zhou
Abstract要約: 機械学習(ML)フレームワークを導入し,データ駆動型モビリティ法の開発を効率化する。大規模DDDシミュレーションで実装したGNNモビリティは,地中直流MDシミュレーションで観測された強み/圧縮非対称性を正確に再現する。
参考スコア（独自算出の注目度）: 6.058101483996012
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The computational method of discrete dislocation dynamics (DDD), used as a coarse-grained model of true atomistic dynamics of lattice dislocations, has become of powerful tool to study metal plasticity arising from the collective behavior of dislocations. As a mesoscale approach, motion of dislocations in the DDD model is prescribed via the mobility law; a function which specifies how dislocation lines should respond to the driving force. However, the development of traditional hand-crafted mobility laws can be a cumbersome task and may involve detrimental simplifications. Here we introduce a machine-learning (ML) framework to streamline the development of data-driven mobility laws which are modeled as graph neural networks (GNN) trained on large-scale Molecular Dynamics (MD) simulations of crystal plasticity. We illustrate our approach on BCC tungsten and demonstrate that our GNN mobility implemented in large-scale DDD simulations accurately reproduces the challenging tension/compression asymmetry observed in ground-truth MD simulations while correctly predicting the flow stress at lower straining rate conditions unseen during training, thereby demonstrating the ability of our method to learn relevant dislocation physics. Our DDD+ML approach opens new promising avenues to improve fidelity of the DDD model and to incorporate more complex dislocation motion behaviors in an automated way, providing a faithful proxy for dislocation dynamics several orders of magnitude faster than ground-truth MD simulations.
Abstract（参考訳）: 格子変位の真の原子動力学の粗粒度モデルとして使用される離散転位力学(DDD)の計算方法は、転位の集合的挙動から生じる金属の塑性を研究する強力なツールとなった。メソスケールアプローチでは、DDDモデルにおける転位の動きは移動法則によって規定され、転位線が駆動力にどう反応するかを規定する関数である。しかし、伝統的な手作りの移動法の開発は面倒な作業であり、有害な単純化を伴う可能性がある。本稿では,結晶塑性の大規模分子動力学シミュレーションに基づいて学習したグラフニューラルネットワーク(GNN)としてモデル化されたデータ駆動型モビリティ法則の開発を効率化する機械学習(ML)フレームワークを提案する。我々は,bccタングステンへのアプローチを例示し,大規模dddシミュレーションで実装したgnnモビリティが,地中mdシミュレーションで観測される挑戦的張力・圧縮非対称性を正確に再現し,トレーニング中に低いひずみ速度条件における流れ応力を正確に予測し,関連する転位物理学を学習できることを示す。私たちのddd+mlアプローチでは、dddモデルの忠実性を改善し、より複雑な転位動作を自動化して、地中mdシミュレーションよりも数桁早い転位ダイナミクスの忠実なプロキシを提供します。

関連論文リスト

Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Score dynamics: scaling molecular dynamics with picoseconds timestep via conditional diffusion model [5.39025059364831]
分子動力学シミュレーションから大きな時間ステップを持つ加速進化演算子を学習するためのフレームワークであるスコアダイナミクス(SD)を提案する。我々は10psの時間ステップで進化した現実的な分子系のグラフニューラルネットワークに基づくスコアダイナミクスモデルを構築した。現在のSD実装は,本研究で研究したシステムに対して,MDよりも約2桁高速である。
論文参考訳（メタデータ） (2023-10-02T22:29:45Z)
Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
論文参考訳（メタデータ） (2023-06-06T02:24:41Z)
Accelerating discrete dislocation dynamics simulations with graph neural networks [5.647516208808728]
本稿では、DDDトラジェクトリに基づいてトレーニングされたグラフニューラルネットワークモデルによって、転位運動の高価な時間統合を完全に置き換える、新しいDDD-GNNフレームワークを紹介する。 DDD-GNNモデルは安定しており、さまざまなストレッチレートと障害物密度に対して、よく見えない基礎的なDDDシミュレーション応答を再現しています。
論文参考訳（メタデータ） (2022-08-05T17:35:07Z)
DiffSRL: Learning Dynamic-aware State Representation for Deformable Object Control with Differentiable Simulator [26.280021036447213]
ダイナミックス関連情報をキャプチャできる潜在空間は、モデルフリー強化学習の加速のような分野に広く応用されている。微分可能シミュレーションを利用した動的状態表現学習パイプラインDiffSRLを提案する。本モデルでは,長期的ダイナミクスと報奨予測の両面で優れた性能を示す。
論文参考訳（メタデータ） (2021-10-24T04:53:58Z)
OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2021-10-02T01:21:38Z)
DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文参考訳（メタデータ） (2021-07-30T20:35:03Z)
A Note on Learning Rare Events in Molecular Dynamics using LSTM and Transformer [4.80427355202687]
近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
論文参考訳（メタデータ） (2021-07-14T09:26:36Z)
Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文参考訳（メタデータ） (2021-04-28T22:14:25Z)
Molecular Latent Space Simulators [8.274472944075713]
本研究では、連続的な全原子シミュレーション軌道の運動モデルを学ぶための潜在空間シミュレータ(LSS)を提案する。 Trpタンパク質を応用して, 新規な超長尺合成折りたたみ路を創出する手法を実証する。
論文参考訳（メタデータ） (2020-07-01T20:05:27Z)

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。