論文の概要: Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space

• arxiv url: http://arxiv.org/abs/2402.11103v1
• Date: Fri, 16 Feb 2024 22:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 23:24:29.245446
• Title: Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space
• Title（参考訳）: 空間統計空間の最適化による微構造の潜在変数表現の学習に向けて
• Authors: Sayed Sajad Hashemi, Michael Guerzhoy, Noah H. Paulson
• Abstract要約: 変分オートエンコーダ(VAE)を訓練し、元のテクスチャの空間統計を保存するテクスチャの再構築を行う。 空間統計空間における原点と再構成の間の距離を最小化するために,コスト関数に微分可能な項を加えることで,これを実現する。
• 参考スコア（独自算出の注目度）: 3.434553688053531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Materials Science, material development involves evaluating and optimizing the internal structures of the material, generically referred to as microstructures. Microstructures structure is stochastic, analogously to image textures. A particular microstructure can be well characterized by its spatial statistics, analogously to image texture being characterized by the response to a Fourier-like filter bank. Material design would benefit from low-dimensional representation of microstructures Paulson et al. (2017). In this work, we train a Variational Autoencoders (VAE) to produce reconstructions of textures that preserve the spatial statistics of the original texture, while not necessarily reconstructing the same image in data space. We accomplish this by adding a differentiable term to the cost function in order to minimize the distance between the original and the reconstruction in spatial statistics space. Our experiments indicate that it is possible to train a VAE that minimizes the distance in spatial statistics space between the original and the reconstruction of synthetic images. In future work, we will apply the same techniques to microstructures, with the goal of obtaining low-dimensional representations of material microstructures.
• Abstract（参考訳）: 材料科学において、材料開発は、総称してミクロ組織と呼ばれる材料の内部構造の評価と最適化を伴う。 微細構造は、画像テクスチャに似た確率的構造である。 特定の微細構造は、フーリエ状のフィルタバンクに対する応答によって特徴づけられる画像テクスチャと同様に、その空間統計によってよく特徴づけられる。 材料設計は、Paulson et al. (2017) の低次元表現の恩恵を受ける。 本研究では,変分オートエンコーダ (VAE) を訓練し,データ空間において必ずしも同じ画像を再構成することなく,元のテクスチャの空間統計を保存するテクスチャの再構築を行う。 空間統計空間における原点と再構成の距離を最小化するために,コスト関数に微分可能な項を加えることで,これを実現できる。 実験の結果,合成画像の再構成と原画像間の空間統計空間における距離を最小化するVAEの訓練が可能であることが示唆された。 今後の研究では, 材料ミクロ構造の低次元表現化を目指して, 同じ手法をマイクロ構造に適用する。

関連論文リスト

• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response [1.283555556182245]
  異なるミクロ構造材料対称性を持つ複合材料は、工学的応用において一般的である。 異方性成分を持つ材料の効果的な均質化モデルを提供するニューラルネットワークアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-05T14:49:01Z)
• Denoising diffusion-based synthetic generation of three-dimensional (3D) anisotropic microstructures from two-dimensional (2D) micrographs [0.0]
  条件拡散に基づく生成モデル(DGM)に基づく異方性組織再構築のための枠組みを提案する。 提案するフレームワークは,複数の2次元条件付きDGMの空間的接続を伴い,それぞれが3つの異なる平面に対して2次元マイクロ構造サンプルを生成するように訓練されている。 その結果, このフレームワークは材料相の統計分布だけでなく, 3次元空間における材料特性も再現可能であることがわかった。
  論文  参考訳（メタデータ） (2023-12-13T01:36:37Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Towards Microstructural State Variables in Materials Systems [0.1473281171535445]
  本稿では,微視的画像データ削減に着目した次元性および状態変数推定手法の定式化を目的とする。 p-ミンコフスキー距離の自然画像に対して、近傍の近傍線に基づく局所次元推定が一貫した次元推定を与える傾向があることが示されている。 また, 積層自己エンコーダは, 高次元微細構造データの生成空間を再構築し, 材料ミクロ構造の変動性を完全に記述するために, 状態変数のスパースセットを提供する。
  論文  参考訳（メタデータ） (2023-01-11T01:49:18Z)
• Differentiable and Transportable Structure Learning [73.84540901950616]
  本稿では,新しいアーキテクチャと損失関数により,発見された構造物の輸送性を回復するD-Structを紹介する。 D-Structは依然として微分可能であるため、既存の微分可能アーキテクチャでは容易に適用できる。
  論文  参考訳（メタデータ） (2022-06-13T17:50:53Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)
• Towards Analysis-friendly Face Representation with Scalable Feature and Texture Compression [113.30411004622508]
  普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。 ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。 提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
  論文  参考訳（メタデータ） (2020-04-21T14:32:49Z)

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。