論文の概要: Machine learning for structure-guided materials and process design
- arxiv url: http://arxiv.org/abs/2312.14552v1
- Date: Fri, 22 Dec 2023 09:28:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 15:41:13.807211
- Title: Machine learning for structure-guided materials and process design
- Title（参考訳）: 構造誘導材料のための機械学習とプロセス設計
- Authors: Lukas Morand, Tarek Iraki, Johannes Dornheim, Stefan Sandfeld, Norbert
Link, Dirk Helm
- Abstract要約: プロセス-構造-プロパティチェーン全体を網羅する全体最適化手法を提案する。
本手法では,2つの重要な識別問題に対処するために,機械学習技術を用いる。
本手法は, 金属成形プロセスにおいて, 所望の特性を有する結晶テクスチャを作製するために用いられる。
- 参考スコア（独自算出の注目度）: 0.6282171844772422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, there has been a growing interest in accelerated materials
innovation in both, research and industry. However, to truly add value to the
development of new advanced materials, it is inevitable to take into account
manufacturing processes and thereby tailor materials design approaches to
support downstream process design approaches. As a major step into this
direction, we present a holistic optimization approach that covers the entire
materials process-structure-property chain. Our approach specifically employs
machine learning techniques to address two critical identification problems.
The first is to solve a materials design problem, which involves identifying
near-optimal material structures that exhibit desired macroscopic properties.
The second is to solve a process design problem that is to find an optimal
processing path to manufacture these material structures. Both identification
problems are typically ill-posed, which presents a significant challenge for
solution approaches. However, the non-unique nature of these problems also
offers an important advantage for processing: By having several target
structures that perform similarly well, the corresponding processes can be
efficiently guided towards manufacturing the best reachable structure. In
particular, we apply deep reinforcement learning for process design in
combination with a multi-task learning-based optimization approach for
materials design. The functionality of the approach will be demonstrated by
using it to manufacture crystallographic textures with desired properties in a
metal forming process.
- Abstract（参考訳）: 近年は、研究と産業の両方において、材料革新の加速への関心が高まっている。
しかし、新しい先端材料の開発に真に価値を加えるためには、製造工程を考慮し、下流のプロセス設計アプローチをサポートする材料設計アプローチを調整することが不可欠である。
この方向への大きなステップとして、材料プロセス-構造-プロパティチェーン全体を網羅する全体最適化アプローチを提案する。
本手法では,2つの重要な識別問題に対処するために,機械学習技術を用いる。
1つ目は、望まれるマクロな特性を示す準最適材料構造を識別する材料設計問題の解決である。
2つ目は、これらの材料構造を製造するための最適な処理経路を見つけるプロセス設計問題を解決することである。
どちらの識別問題も典型的には不十分であり、ソリューションアプローチにおいて重要な課題となる。
しかし、これらの問題の非特異性もまた、処理に重要な利点をもたらす: 同様に機能するターゲット構造を複数持つことにより、対応するプロセスは、最適な到達可能な構造を製造するために効率的にガイドすることができる。
特に,材料設計のためのマルチタスク学習に基づく最適化手法と組み合わせて,プロセス設計に深層強化学習を適用する。
このアプローチの機能は、金属成形プロセスにおいて所望の特性を有する結晶テクスチャを製造するために使用することで実証される。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Multi-objective simulation optimization of the adhesive bonding process
of materials [50.591267188664666]
このような接着プロセスの最適プロセスパラメータを見つけることは困難である。
本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
論文 参考訳（メタデータ） (2021-12-09T09:58:58Z) - A multi-task learning-based optimization approach for finding diverse
sets of material microstructures with desired properties and its application
to texture optimization [1.6311150636417262]
本稿では,材料テクスチャ最適化のためのマルチタスク学習手法を提案する。
このアプローチは、マルチタスク学習とシアムネットワークを組み合わせた機械学習モデルと相互作用する最適化アルゴリズムで構成されている。
論文 参考訳（メタデータ） (2021-10-27T08:25:26Z) - Self-supervised optimization of random material microstructures in the
small-data regime [0.0]
本稿では、プロセス構造と構造-プロパティ結合の不確実性を考慮した、柔軟な、完全に確率的な最適化問題の定式化について述べる。
我々は、計算を高速化し、非微分目標の処理を可能にする構造-プロパティリンクに対して確率論的、データ駆動サロゲートを用いる。
二相ランダムメディアの機械的および熱的特性を最適化する効果を実証するが、その適用性は様々なマイクロ構造に敏感な設計問題を含むと想定する。
論文 参考訳（メタデータ） (2021-08-05T13:25:39Z) - Modeling and Optimizing Laser-Induced Graphene [59.8912133964006]
レーザ誘起グラフェンの生成の最適化を記述したデータセットを提供する。
提供するデータセットに基づいて,3つの課題を提起します。
興味のあるユーザにとっての出発点として、図解的な結果と、それらを生成するためのコードを提示します。
論文 参考訳（メタデータ） (2021-07-29T18:08:24Z) - Establishing process-structure linkages using Generative Adversarial
Networks [0.0]
本稿では,GAN(Generative Adversarial Network)を開発した。
その結果, GANモデルは, 与えられた処理条件と良好な相関性を有する高忠実度多相構造を生成できることが示唆された。
論文 参考訳（メタデータ） (2021-07-20T10:49:38Z) - Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines [48.7576911714538]
提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
論文 参考訳（メタデータ） (2021-06-26T23:19:06Z) - A Deep Reinforcement Learning Based Multi-Criteria Decision Support
System for Textile Manufacturing Process Optimization [5.900286890213338]
本論文では、インテリジェントデータに基づくランダムフォレスト(RF)モデルと、人知に基づく分析階層プロセス(AHP)構造を組み合わせた意思決定支援システムを提案する。
このシステムの有効性は,織物のオゾン処理を最適化する事例で検証されている。
論文 参考訳（メタデータ） (2020-12-29T15:09:48Z) - Deep Reinforcement Learning Methods for Structure-Guided Processing Path
Optimization [2.462953128215088]
材料設計の大きな目標は、望ましい特性を持つ材料構造を見つけることである。
本稿では,処理経路最適化のための深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-21T09:20:24Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-29T14:57:53Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。