論文の概要: Machine learning for structure-guided materials and process design

• arxiv url: http://arxiv.org/abs/2312.14552v3
• Date: Fri, 08 Nov 2024 22:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:03:32.998491
• 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: 本稿では, 材料工学におけるプロセス構造-プロパティチェーン全体をカバーする, 総合的, 汎用的な最適化手法を提案する。 本手法では,材料設計問題とプロセス設計問題という2つの重要な識別問題に機械学習を用いて対処する。 本手法は, 模擬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の製造において有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.602276990341246
• License:
• Abstract: In recent years, there has been a growing interest in accelerated materials innovation in the context of the process-structure-property chain. In this regard, it is essential to take into account manufacturing processes and tailor materials design approaches to support downstream process design approaches. As a major step into this direction, we present a holistic and generic optimization approach that covers the entire process-structure-property chain in materials engineering. Our approach specifically employs machine learning to address two critical identification problems: a materials design problem, which involves identifying near-optimal material microstructures that exhibit desired properties, and a process design problem that is to find an optimal processing path to manufacture these microstructures. Both identification problems are typically ill-posed, which presents a significant challenge for solution approaches. However, the non-unique nature of these problems offers an important advantage for processing: By having several target microstructures that perform similarly well, processes can be efficiently guided towards manufacturing the best reachable microstructure. The functionality of the approach is demonstrated at manufacturing crystallographic textures with desired properties in a simulated metal forming process.
• Abstract（参考訳）: 近年、プロセス構造-プロパティチェーンの文脈において、材料革新の加速への関心が高まっている。 この点において、下流プロセス設計のアプローチを支援するために、製造工程や仕立て材設計のアプローチを考慮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、材料工学におけるプロセス構造-プロパティチェーン全体を網羅する全体的および汎用的な最適化手法を提案する。 本手法では, 材料設計問題(材料設計問題)とプロセス設計問題(プロセス設計問題)の2つを用いて, 材料設計問題(材料設計問題)に対処する。 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は、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のマイクロ構造を複数持つことにより、プロセスは最適な到達可能なマイクロ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。 本手法は, 模擬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の製造において有効であることを示す。

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。