論文の概要: Discovering High-Strength Alloys via Physics-Transfer Learning
- arxiv url: http://arxiv.org/abs/2403.07526v2
- Date: Sun, 26 Jan 2025 07:32:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:49:57.019839
- Title: Discovering High-Strength Alloys via Physics-Transfer Learning
- Title(参考訳): 物理変換学習による高強度合金の発見
- Authors: Yingjie Zhao, Hongbo Zhou, Zian Zhang, Zhenxing Bo, Baoan Sun, Minqiang Jiang, Zhiping Xu,
- Abstract要約: ピエルス応力は、塑性流動に対する転位抵抗を評価して材料強度を測定する。
本稿では、力場シミュレーションで訓練されたニューラルネットワークを利用して結晶の塑性物理を理解するためのデータ駆動フレームワークを提案する。
- 参考スコア(独自算出の注目度): 1.2438700252649395
- License:
- Abstract: Predicting the strength of materials requires considering various length and time scales, striking a balance between accuracy and efficiency. Peierls stress measures material strength by evaluating dislocation resistance to plastic flow, reliant on elastic lattice responses and crystal slip energy landscape. Computational challenges due to the non-local and non-equilibrium nature of dislocations prohibit Peierls stress evaluation from state-of-the-art material databases. We propose a data-driven framework that leverages neural networks trained on force field simulations to understand crystal plasticity physics, predicting Peierls stress from material parameters derived via density functional theory computations, which are otherwise computationally intensive for direct dislocation modeling. This physics transfer approach successfully screen the strength of metallic alloys from a limited number of single-point calculations with chemical accuracy. Guided by these predictions, we fabricate high-strength binary alloys previously unexplored, utilizing high-throughput ion beam deposition techniques. The framework extends to problems facing the accuracy-performance dilemma in general by harnessing the hierarchy of physics of multiscale models in materials sciences.
- Abstract(参考訳): 材料の強度を予測するには、様々な長さと時間スケールを考慮し、精度と効率のバランスをとる必要がある。
ピエルス応力は, 弾性格子応答と結晶すべりエネルギーのランドスケープに依存する塑性流動に対する転位抵抗を評価し, 材料強度を測定する。
ディスロケーションの非局所的および非平衡性に起因する計算上の課題は、最先端の材料データベースからのピエルス応力評価を禁止している。
本稿では, 力場シミュレーションでトレーニングしたニューラルネットワークを用いて, 密度汎関数理論計算によって導出される物質パラメータから, ピエルス応力を予測し, 直接転位モデリングに重きを置くデータ駆動型フレームワークを提案する。
この物理移動法は、化学的精度で限られた数個の単点計算から金属合金の強度を遮蔽することに成功した。
これらの予測で導かれた高強度二元合金を, 高出力イオンビーム堆積法を用いて作製した。
このフレームワークは、材料科学におけるマルチスケールモデルの物理階層を利用することにより、一般に精度の高いジレンマに直面している問題にまで拡張される。
関連論文リスト
- Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning [39.58317527488534]
本研究では, 金属材料の疲労寿命予測における定量化の不確実性について紹介する。
提案手法は,バスキーンの疲労モデルを用いて推定した物理式に基づく入力特徴を用いる。
物理モデルとデータ駆動モデルとの相乗効果により、予測値の一貫性が向上する。
論文 参考訳(メタデータ) (2025-01-25T03:43:19Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。
1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
論文 参考訳(メタデータ) (2024-11-01T13:04:25Z) - A physics-encoded Fourier neural operator approach for surrogate modeling of divergence-free stress fields in solids [6.877349053520825]
固体中の準静的平衡応力場のシュロゲートモデリングのための物理符号化フーリエニューラル演算子(PeFNO)を開発した。
準静的機械平衡に対する対応する境界値問題の数値解からトレーニング用応力場データを得る。
トレーニングされたPgFNOの出力は、トレーニングされたPgFNOまたはトレーニングされたPiFNOの出力よりも、機械的平衡を満たすのにかなり正確である。
論文 参考訳(メタデータ) (2024-08-27T21:18:41Z) - 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) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - 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 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) - 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。