論文の概要: The High-dimensional Phase Diagram and the Large CALPHAD Model
- arxiv url: http://arxiv.org/abs/2311.07174v1
- Date: Mon, 13 Nov 2023 09:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 15:01:23.704923
- Title: The High-dimensional Phase Diagram and the Large CALPHAD Model
- Title（参考訳）: 高次元位相図と大型calphadモデル
- Authors: Zhengdi Liu, Xulong An, Wenwen Sun
- Abstract要約: 3要素以上の合金システムの複雑さに対処するために,Large LargePHAD Model (LCM)を導入する。
LCMの分類精度は97%で、位相体積予測では平均2乗誤差は80*10-5である。
提案手法はFeNiCr系における51個の相空間の定式化に成功し,その有効性を439個の共晶合金の設計で実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When alloy systems comprise more than three elements, the visualization of
the entire phase space becomes not only daunting but is also accompanied by a
data surge. Addressing this complexity, we delve into the FeNiCrMn alloy system
and introduce the Large CALPHAD Model (LCM). The LCM acts as a computational
conduit, capturing the entire phase space. Subsequently, this enormous data is
systematically structured using a high-dimensional phase diagram, aided by hash
tables and Depth-first Search (DFS), rendering it both digestible and
programmatically accessible. Remarkably, the LCM boasts a 97% classification
accuracy and a mean square error of 4.80*10-5 in phase volume prediction. Our
methodology successfully delineates 51 unique phase spaces in the FeNiCrMn
system, exemplifying its efficacy with the design of all 439 eutectic alloys.
This pioneering methodology signifies a monumental shift in alloy design
techniques or even multi-variable problems.
- Abstract（参考訳）: 合金系が3つ以上の元素から構成される場合、相空間全体の可視化は困難となるだけでなく、データサージも伴う。
この複雑さに対処するため、FeNiCrMn合金系を探索し、Large CALPHAD Model (LCM)を導入する。
LCMは計算導管として機能し、位相空間全体を捕捉する。
その後、この巨大なデータはハッシュテーブルと深さ優先探索(dfs)によって支援され、消化可能かつプログラム的にアクセス可能な高次元位相図を用いて体系的に構成される。
興味深いことに、LCMは位相体積予測において97%の分類精度と平均平方誤差が4.80*10-5である。
提案手法はFeNiCrMn系における51個の相空間の定式化に成功し, その有効性を439個の共晶合金の設計で実証した。
この先駆的手法は、合金設計技術や多変量問題に重大な変化をもたらす。
関連論文リスト
- Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges [0.36868085124383626]
本研究は、位相図計算を著しく高速化する機械学習原子間ポテンシャル(MLIP)の利用について検討する。
Cr-Mo, Cu-Au, Pt-Wなどのケーススタディを用いて, MLIP, 特にORBがDFTに比べて3桁を超える計算スピードアップを達成することを示した。
論文 参考訳（メタデータ） (2024-11-22T21:24:13Z) - Language Models as Zero-shot Lossless Gradient Compressors: Towards
General Neural Parameter Prior Models [66.1595537904019]
大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。
本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。
論文 参考訳（メタデータ） (2024-09-26T13:38:33Z) - Bipartite reweight-annealing algorithm to extract large-scale data of entanglement entropy and its derivative in high precision [5.671578795886005]
エンタングルメントエントロピー(EE)とその誘導体の大規模データを抽出できる量子モンテカルロ法を提案する。
相転移点の発見と新しい相の探索にEEとその誘導体を用いることの可能性を示す。
論文 参考訳（メタデータ） (2024-06-08T02:27:45Z) - Scalable manifold learning by uniform landmark sampling and constrained
locally linear embedding [0.6144680854063939]
本研究では,大規模・高次元データを効率的に操作できるスケーラブルな多様体学習法を提案する。
異なるタイプの合成データセットと実世界のベンチマークにおけるSCMLの有効性を実証的に検証した。
scMLはデータサイズや埋め込み次元の増大とともにスケールし、グローバル構造を保存する上で有望なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-01-02T08:43:06Z) - AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from
Motion [48.835456049755166]
AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。
当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。
本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
論文 参考訳（メタデータ） (2023-01-28T09:06:50Z) - Determination of the critical exponents in dissipative phase
transitions: Coherent anomaly approach [51.819912248960804]
オープン量子多体系の定常状態に存在する相転移の臨界指数を抽出するコヒーレント異常法の一般化を提案する。
論文 参考訳（メタデータ） (2021-03-12T13:16:18Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2021-01-14T16:38:21Z) - Learning phase transitions in ferrimagnetic GdFeCo alloys [0.0]
強磁性GdFeCo合金における相転移の機械学習による同定結果について述べる。
この結果は熱力学ポテンシャルの数値最小化の手順と完全に一致している。
論文 参考訳（メタデータ） (2020-10-19T11:57:34Z) - Unsupervised machine learning of quantum phase transitions using
diffusion maps [77.34726150561087]
本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。
この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
論文 参考訳（メタデータ） (2020-03-16T18:40:13Z) - Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。
HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。
提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
論文 参考訳（メタデータ） (2020-03-07T10:06:47Z)
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。