論文の概要: Physics-Transfer Learning for Material Strength Screening
- arxiv url: http://arxiv.org/abs/2403.07526v1
- Date: Tue, 12 Mar 2024 11:05:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 21:52:28.074657
- Title: Physics-Transfer Learning for Material Strength Screening
- Title(参考訳): 材料強度スクリーニングのための物理トランスファー学習
- Authors: Yingjie Zhao and Zian Zhang and Zhiping Xu
- Abstract要約: ピエルス応力(Peierls stress)は、結晶の塑性における中心的な概念の1つで、塑性の流れへの変位の抵抗を通じて強度を測定する。
経験的原子論シミュレーションから結晶塑性の物理を学ぶための物理移動フレームワークを提案する。
次に, 物質パラメータの化学的に正確な密度汎関数理論に基づく計算から, ピエルス応力を予測した。
- 参考スコア(独自算出の注目度): 1.03590082373586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The strength of materials, like many problems in the natural sciences, spans
multiple length and time scales, and the solution has to balance accuracy and
performance. Peierls stress is one of the central concepts in crystal
plasticity that measures the strength through the resistance of a dislocation
to plastic flow. The determination of Peierls stress involves a multiscale
nature depending on both elastic lattice responses and the energy landscape of
crystal slips. Material screening by strength via the Peierls stress from
first-principles calculations is computationally intractable for the nonlocal
characteristics of dislocations, and not included in the state-of-the-art
computational material databases. In this work, we propose a physics-transfer
framework to learn the physics of crystal plasticity from empirical atomistic
simulations and then predict the Peierls stress from chemically accurate
density functional theory-based calculations of material parameters. Notably,
the strengths of single-crystalline metals can be predicted from a few
single-point calculations for the deformed lattice and on the {\gamma} surface,
allowing efficient, high-throughput screening for material discovery.
Uncertainty quantification is carried out to assess the accuracy of models and
sources of errors, showing reduced physical and system uncertainties in the
predictions by elevating the fidelity of training models. This physics-transfer
framework can be generalized to other problems facing the accuracy-performance
dilemma, by harnessing the hierarchy of physics in the multiscale models of
materials science.
- Abstract(参考訳): 自然科学の多くの問題と同様、材料の強度は複数の長さと時間スケールにまたがっており、解は精度と性能のバランスをとる必要がある。
パイエルズ応力は結晶塑性の中心的な概念の一つであり、塑性流動への転位抵抗を通じて強度を測定する。
ピエルス応力の決定は、弾性格子応答と結晶スリップのエネルギー景観の両方に依存するマルチスケールの性質を含む。
第一原理計算からのパイエルス応力による強度による物質スクリーニングは転位の非局所的特性に対して計算上は難解であり、最先端の計算材料データベースには含まれない。
本研究では, 経験的原子論シミュレーションから結晶塑性の物理を学習し, 化学的に正確な密度汎関数理論に基づく材料パラメータの計算からピエルス応力を予測する物理移動フレームワークを提案する。
特に、変形格子とガンマ表面のいくつかの単一点計算から単結晶金属の強度を予測でき、材料発見のための効率的な高出力スクリーニングが可能になる。
モデルと誤差源の精度を評価するために不確かさ定量を行い、トレーニングモデルの忠実度を高めて予測における物理的およびシステム不確かさを低減した。
この物理移動フレームワークは、材料科学のマルチスケールモデルにおける物理の階層構造を利用することにより、精度性能ジレンマに直面する他の問題に一般化することができる。
関連論文リスト
- Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳(メタデータ) (2024-03-04T07:09:54Z) - Use of Deep Neural Networks for Uncertain Stress Functions with
Extensions to Impact Mechanics [9.73713941604395]
本研究では、不確実性を捉えるために、量子回帰を伴う状態関数としてストレスをモデル化するためのディープニューラルネットワークアプローチを提案する。
これらのモデルを、微分方程式を用いて一軸衝撃力学に拡張し、ユースケースを実証し、この不確実性を考慮したストレス関数を実装するためのフレームワークを提供する。
論文 参考訳(メタデータ) (2023-11-03T00:12:24Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Calibrating constitutive models with full-field data via physics
informed neural networks [0.0]
実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。
我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。
我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
論文 参考訳(メタデータ) (2022-03-30T18:07:44Z) - Physics-informed neural networks for modeling rate- and
temperature-dependent plasticity [3.1861308132183384]
本研究は, 弾性粘塑性固体の変形磁場のひずみ速度と温度依存性をモデル化する物理インフォームニューラルネットワークに基づく枠組みを提案する。
論文 参考訳(メタデータ) (2022-01-20T18:49:27Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Augmenting Physical Models with Deep Networks for Complex Dynamics
Forecasting [34.61959169976758]
APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。
これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
論文 参考訳(メタデータ) (2020-10-09T09:31:03Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z)
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。