論文の概要: Position Paper on Materials Design -- A Modern Approach

• arxiv url: http://arxiv.org/abs/2312.10996v1
• Date: Mon, 18 Dec 2023 07:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 20:51:52.434555
• Title: Position Paper on Materials Design -- A Modern Approach
• Title（参考訳）: 材料設計に関するポジションペーパー --近代的アプローチ-
• Authors: Willi Grossmann and Sebastian Eilermann and Tim Rensmeyer and Artur Liebert and Michael Hohmann and Christian Wittke and Oliver Niggemann
• Abstract要約: 機械学習が新しい材料や集合体の設計プロセスをどのように高速化するかを示す。 MLアプローチは、定義された条件に基づいて、材料の可能な形態を合成することができる。 このアプローチは、新しい材料の設計プロセスを加速し、現実的な材料行動の予測と解釈を可能にする。
• 参考スコア（独自算出の注目度）: 1.6668914921312827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional design cycles for new materials and assemblies have two fundamental drawbacks. The underlying physical relationships are often too complex to be precisely calculated and described. Aside from that, many unknown uncertainties, such as exact manufacturing parameters or materials composition, dominate the real assembly behavior. Machine learning (ML) methods overcome these fundamental limitations through data-driven learning. In addition, modern approaches can specifically increase system knowledge. Representation Learning allows the physical, and if necessary, even symbolic interpretation of the learned solution. In this way, the most complex physical relationships can be considered and quickly described. Furthermore, generative ML approaches can synthesize possible morphologies of the materials based on defined conditions to visualize the effects of uncertainties. This modern approach accelerates the design process for new materials and enables the prediction and interpretation of realistic materials behavior.
• Abstract（参考訳）: 新しい材料や集合体の伝統的な設計サイクルには2つの根本的な欠点がある。 基礎となる物理的関係は、しばしば複雑すぎて正確に計算され説明できない。 それとは別に、正確な製造パラメータや材料組成など多くの未知の不確実性が実際の組み立て動作を支配している。 機械学習(ML)メソッドは、データ駆動学習を通じてこれらの基本的な制限を克服する。 さらに、現代のアプローチはシステム知識を特に向上させることができる。 表現学習は、物理的かつ必要に応じて、学習した解の象徴的な解釈を可能にする。 このように、最も複雑な物理的関係を考察し、迅速に記述することができる。 さらに、生成MLアプローチは、定義条件に基づいて材料の可能な形態を合成し、不確実性の影響を可視化することができる。 このアプローチは、新しい材料の設計プロセスを加速し、現実的な材料行動の予測と解釈を可能にする。

関連論文リスト

• Learning Physics-Consistent Material Behavior Without Prior Knowledge [6.691537914484337]
  我々は,畳み込み入力ニューラルネットワーク(ICNN)を代理モデルとして使用することにより,制約を克服するuLEDと呼ばれる機械学習アプローチを導入する。 我々は、ノイズのかなりのレベルに対して頑健であり、データ解像度の増大とともに基礎的な真実に収束することを実証した。
  論文  参考訳（メタデータ） (2024-07-25T08:24:04Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Symmetry-enforcing neural networks with applications to constitutive modeling [0.0]
  本研究では,非線形および履歴依存行動を示す複雑なミクロ構造を均質化するために,最先端のマイクロメカニカルモデリングと高度な機械学習技術を組み合わせる方法について述べる。 結果として得られるホモジェナイズドモデルであるスマート法則(SCL)は、従来の並列マルチスケールアプローチで必要とされる計算コストのごく一部で、マイクロインフォメーション法を有限要素ソルバに適用することができる。 本研究では、ニューロンレベルで物質対称性を強制する新しい方法論を導入することにより、SCLの機能を拡張する。
  論文  参考訳（メタデータ） (2023-12-21T01:12:44Z)
• Interpretable Meta-Learning of Physical Systems [4.343110120255532]
  最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。 我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。 本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
  論文  参考訳（メタデータ） (2023-12-01T10:18:50Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Artificial intelligence approaches for materials-by-design of energetic materials: state-of-the-art, challenges, and future directions [0.0]
  我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。 文献における手法を,少数のデータから学習する能力の観点から評価する。 本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2022-11-15T14:41:11Z)
• What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
  本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。 これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
  論文  参考訳（メタデータ） (2022-09-08T13:33:25Z)
• On Binding Objects to Symbols: Learning Physical Concepts to Understand Real from Fake [155.6741526791004]
  我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。 物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。 我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
  論文  参考訳（メタデータ） (2022-07-25T17:21:59Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Learning the nonlinear dynamics of soft mechanical metamaterials with graph networks [3.609538870261841]
  ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。 提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-02-24T00:20:28Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)

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。