論文の概要: A Planning-and-Exploring Approach to Extreme-Mechanics Force Fields
- arxiv url: http://arxiv.org/abs/2310.19306v1
- Date: Mon, 30 Oct 2023 06:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 21:23:16.874761
- Title: A Planning-and-Exploring Approach to Extreme-Mechanics Force Fields
- Title（参考訳）: 極端機械力場に対する計画・探索的アプローチ
- Authors: Pengjie Shi and Zhiping Xu
- Abstract要約: 我々は、ひずみ状態の空間のプリサンプリングとアクティブラーニング技術を組み合わせることで、骨折のためのニューラルネットワークベースの力場、NN-F$3$を開発する。
NN-F$3$の能力は、モデル問題としてh-BNおよびツイスト二層グラフェンの破断を研究することによって実証される。
- 参考スコア（独自算出の注目度）: 1.223779595809275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme mechanical processes such as strong lattice distortion and bond
breakage during fracture are ubiquitous in nature and engineering, which often
lead to catastrophic failure of structures. However, understanding the
nucleation and growth of cracks is challenged by their multiscale
characteristics spanning from atomic-level structures at the crack tip to the
structural features where the load is applied. Molecular simulations offer an
important tool to resolve the progressive microstructural changes at crack
fronts and are widely used to explore processes therein, such as mechanical
energy dissipation, crack path selection, and dynamic instabilities (e.g.,
kinking, branching). Empirical force fields developed based on local
descriptors based on atomic positions and the bond orders do not yield
satisfying predictions of fracture, even for the nonlinear, anisotropic
stress-strain relations and the energy densities of edges. High-fidelity force
fields thus should include the tensorial nature of strain and the energetics of
rare events during fracture, which, unfortunately, have not been taken into
account in both the state-of-the-art empirical and machine-learning force
fields. Based on data generated by first-principles calculations, we develop a
neural network-based force field for fracture, NN-F$^3$, by combining
pre-sampling of the space of strain states and active-learning techniques to
explore the transition states at critical bonding distances. The capability of
NN-F$^3$ is demonstrated by studying the rupture of h-BN and twisted bilayer
graphene as model problems. The simulation results confirm recent experimental
findings and highlight the necessity to include the knowledge of electronic
structures from first-principles calculations in predicting extreme mechanical
processes.
- Abstract（参考訳）: 強い格子歪みや破壊時の結合破壊のような極端な機械的プロセスは、自然と工学においてユビキタスであり、しばしば構造が破滅的な破壊を引き起こす。
しかし, き裂の核生成と成長を理解するには, き裂先端の原子準位構造から荷重が印加される構造的特徴まで幅広い多スケール特性が必要である。
分子シミュレーションは、クラックフロントにおける進行的なミクロ構造変化を解決する重要なツールを提供し、機械的エネルギー散逸、クラックパスの選択、動的不安定性(例えば、キンキング、分岐)などのプロセスの探索に広く用いられている。
原子位置に基づく局所的記述子に基づく実験力場と結合順序は, 非線形, 異方性応力-ひずみ関係, エッジのエネルギー密度に対しても, 破壊の予測を満足させるものではない。
したがって、高忠実な力場はひずみのテンソルの性質と破壊時の希少事象のエネルギーを含み、残念ながら最先端の経験的力場と機械学習の力場の両方では考慮されていない。
第一原理計算によって生成されたデータに基づいて, ひずみ状態空間の事前サンプリングとアクティブラーニング技術を組み合わせて, 臨界結合距離における遷移状態の探索を行い, 破壊力場nn-f$^3$を開発した。
NN-F$^3$の能力は、モデル問題としてh-BNおよびツイスト二層グラフェンの破断を研究することによって実証される。
シミュレーションの結果,最近の実験結果を確認し,極端機械過程の予測において第一原理計算から電子構造の知識を含める必要性を浮き彫りにした。
関連論文リスト
- Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Investigating the Behavior of Diffusion Models for Accelerating
Electronic Structure Calculations [24.116064925926914]
機械学習を用いた電子構造計算を著しく高速化する可能性による調査
モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。
構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
論文 参考訳（メタデータ） (2023-11-02T17:58:37Z) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳（メタデータ） (2023-05-16T19:12:41Z) - Review on coherent quantum emitters in hexagonal boron nitride [91.3755431537592]
六方晶窒化ホウ素の欠陥中心の現況を光学的コヒーレント欠陥中心に焦点をあてて論じる。
スペクトル遷移線幅は室温でも異常に狭いままである。
この分野は、量子光学、量子フォトニクス、スピン光学などの量子技術への影響で広い視点に置かれている。
論文 参考訳（メタデータ） (2022-01-31T12:49:43Z) - Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment [0.0]
両連続ナノ構造を有するポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラック・リップ負荷速度で報告した。
ポリウレアの動的凝集パラメータは, 事前学習したCNNアーキテクチャにより初めて得られた。
論文 参考訳（メタデータ） (2021-12-03T15:31:59Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳（メタデータ） (2021-07-21T14:22:14Z) - A convolutional neural network for prestack fracture detection [10.257307653269455]
フラクチャー検出は貯水池のキャラクタリゼーションの基本的な課題である。
本稿では, プリスタック破壊検出を行う畳み込みニューラルネットワークを設計した。
実用的調査の応用は,提案したCNNモデルの有効性を検証した。
論文 参考訳（メタデータ） (2021-07-03T17:05:29Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳（メタデータ） (2020-02-24T10:28:41Z) - Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity [1.8606313462183062]
本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
論文 参考訳（メタデータ） (2020-01-08T02:07:39Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。