論文の概要: End-to-end Phase Field Model Discovery Combining Experimentation,
Crowdsourcing, Simulation and Learning
- arxiv url: http://arxiv.org/abs/2311.12801v1
- Date: Wed, 13 Sep 2023 22:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 15:44:58.134689
- Title: End-to-end Phase Field Model Discovery Combining Experimentation,
Crowdsourcing, Simulation and Learning
- Title（参考訳）: 実験,クラウドソーシング,シミュレーション,学習を組み合わせたエンド・ツー・エンドのフェーズフィールドモデル探索
- Authors: Md Nasim, Anter El-Azab, Xinghang Zhang, Yexiang Xue
- Abstract要約: エンド・ツー・エンドのフェーズ・フィールド・モデル探索のためのフェーズ・フィールド・ラボ・プラットフォームを提案する。
Phase-Field-Labは、(i)アノテーション時間を短縮する合理化されたアノテーションツール、(ii)データからフェーズフィールドモデルを自動的に学習するエンドツーエンドのニューラルモデル、(iii)新しいインターフェースと視覚化を組み合わせる。
我々のプラットフォームは極端条件下での材料中のナノ構造進化の解析に利用されている。
- 参考スコア（独自算出の注目度）: 9.763339269757227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The availability of tera-byte scale experiment data calls for AI driven
approaches which automatically discover scientific models from data.
Nonetheless, significant challenges present in AI-driven scientific discovery:
(i) The annotation of large scale datasets requires fundamental re-thinking in
developing scalable crowdsourcing tools. (ii) The learning of scientific models
from data calls for innovations beyond black-box neural nets. (iii) Novel
visualization and diagnosis tools are needed for the collaboration of
experimental and theoretical physicists, and computer scientists. We present
Phase-Field-Lab platform for end-to-end phase field model discovery, which
automatically discovers phase field physics models from experiment data,
integrating experimentation, crowdsourcing, simulation and learning.
Phase-Field-Lab combines (i) a streamlined annotation tool which reduces the
annotation time (by ~50-75%), while increasing annotation accuracy compared to
baseline; (ii) an end-to-end neural model which automatically learns phase
field models from data by embedding phase field simulation and existing domain
knowledge into learning; and (iii) novel interfaces and visualizations to
integrate our platform into the scientific discovery cycle of domain
scientists. Our platform is deployed in the analysis of nano-structure
evolution in materials under extreme conditions (high temperature and
irradiation). Our approach reveals new properties of nano-void defects, which
otherwise cannot be detected via manual analysis.
- Abstract（参考訳）: テラバイト規模の実験データの利用は、データから科学的モデルを自動的に発見するai駆動アプローチを呼び出す。
それでもAIによる科学的発見には大きな課題がある。
i)大規模データセットのアノテーションは,スケーラブルなクラウドソーシングツールの開発において,基本的な再考を必要とする。
(ii)ブラックボックスニューラルネット以外のイノベーションを求めるデータから科学的モデルを学ぶこと。
三 実験物理学者及び計算機科学者の協力のために新しい可視化・診断ツールが必要である。
本稿では、実験データから位相場モデルを自動的に発見し、実験、クラウドソーシング、シミュレーション、学習を統合するエンド・ツー・エンドの位相場モデル探索のためのフェーズ・フィールド・ラボ・プラットフォームを提案する。
Phase-Field-Lab コンビネーション
(i)ベースラインと比較してアノテーションの正確性を高めつつ、アノテーション時間を(約50～75%)短縮する合理化されたアノテーションツール
(ii)フェーズフィールドシミュレーションと既存のドメイン知識を組み込んで、データから自動的にフェーズフィールドモデルを学習するエンド・ツー・エンドのニューラルモデル
(iii) ドメイン科学者の科学的発見サイクルにプラットフォームを統合するための新しいインターフェースと可視化。
極端条件(高温・照射)下での材料中のナノ構造変化の解析に本プラットフォームを応用した。
本手法は,手動解析では検出できないナノボイド欠陥の新たな特性を明らかにする。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - 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) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - 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)
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。