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) - Beyond Imitation: Generating Human Mobility from Context-aware Reasoning
with Large Language Models [21.745981410903845]
本稿では,移動行動を促す新しいモビリティ生成・アズ・ア・推論(MobiGeaR)フレームワークを提案する。
MobiGeaRはすべてのメトリクスで最先端のパフォーマンスを実現し、同時にトレーニングサンプルのサイズを大幅に削減します。
論文 参考訳(メタデータ) (2024-02-15T09:58:23Z) - 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) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - 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) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - 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。