論文の概要: Evaluation of GlassNet for physics-informed machine learning of glass stability and glass-forming ability
- arxiv url: http://arxiv.org/abs/2403.10682v1
- Date: Fri, 15 Mar 2024 21:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:24:30.280819
- Title: Evaluation of GlassNet for physics-informed machine learning of glass stability and glass-forming ability
- Title（参考訳）: 物理インフォームド・機械学習のためのガラスネットの評価 : ガラスの安定性とガラス形成能力
- Authors: Sarah I. Allec, Xiaonan Lu, Daniel R. Cassar, Xuan T. Nguyen, Vinay I. Hegde, Thiruvillamalai Mahadevan, Miroslava Peterson, Jincheng Du, Brian J. Riley, John D. Vienna, James E. Saal,
- Abstract要約: ガラスの安定性(GS)を計算するのに必要な特性温度を予測できるオープンソースのトレーニング済みNNモデルGlassNetの適用について検討する。
本研究では,これらの予測と組み合わせてGSの予測を行い,ランダムな森林モデルがGlassNetに類似した精度を提供することを示す。
- 参考スコア（独自算出の注目度）: 0.35069196259739965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glasses form the basis of many modern applications and also hold great potential for future medical and environmental applications. However, their structural complexity and large composition space make design and optimization challenging for certain applications. Of particular importance for glass processing is an estimate of a given composition's glass-forming ability (GFA). However, there remain many open questions regarding the physical mechanisms of glass formation, especially in oxide glasses. It is apparent that a proxy for GFA would be highly useful in glass processing and design, but identifying such a surrogate property has proven itself to be difficult. Here, we explore the application of an open-source pre-trained NN model, GlassNet, that can predict the characteristic temperatures necessary to compute glass stability (GS) and assess the feasibility of using these physics-informed ML (PIML)-predicted GS parameters to estimate GFA. In doing so, we track the uncertainties at each step of the computation - from the original ML prediction errors, to the compounding of errors during GS estimation, and finally to the final estimation of GFA. While GlassNet exhibits reasonable accuracy on all individual properties, we observe a large compounding of error in the combination of these individual predictions for the prediction of GS, finding that random forest models offer similar accuracy to GlassNet. We also breakdown the ML performance on different glass families and find that the error in GS prediction is correlated with the error in crystallization peak temperature prediction. Lastly, we utilize this finding to assess the relationship between top-performing GS parameters and GFA for two ternary glass systems: sodium borosilicate and sodium iron phosphate glasses. We conclude that to obtain true ML predictive capability of GFA, significantly more data needs to be collected.
- Abstract（参考訳）: ガラスは多くの近代的な応用の基礎を形成し、将来の医療や環境の応用にも大きな可能性を秘めている。
しかし、その構造的複雑さと大規模な構成空間は、特定の用途において設計と最適化を困難にしている。
ガラス加工において特に重要であるのは、ある組成のガラス形成能力(GFA)の推定である。
しかしながら、特に酸化物ガラスにおいて、ガラス形成の物理的メカニズムについて多くのオープンな疑問が残る。
GFAのプロキシはガラス加工や設計において非常に有用であることは明らかだが,そのようなサロゲート特性の同定は困難であることが証明されている。
本稿では、ガラス安定性(GS)を計算するのに必要な特性温度を予測し、これらの物理インフォームドML(PIML)予測GSパラメータを用いてGFAを推定する可能性を評価するための、オープンソースの事前学習NNモデルGlassNetの適用について検討する。
計算の各ステップにおける不確実性 - 元のML予測誤差、GS推定中のエラーの複合、そして最後にGFAの最終的な推定 - をトラックする。
GlassNetは、全ての個々の特性に対して妥当な精度を示すが、これらの予測を組み合わせてGSの予測を行い、ランダムな森林モデルがGlassNetに類似した精度を提供することを示した。
また,ガラスファミリのML性能を解析した結果,GS予測の誤差が結晶化ピーク温度予測の誤差と相関していることが判明した。
最後に, 3次ガラス系, ホウケイ酸ナトリウム, リン酸ナトリウムガラスにおけるGSパラメータとGFAの関係について検討した。
GFAの真のML予測能力を得るためには、はるかに多くのデータを集める必要があると結論付けている。
関連論文リスト
- Precision Glass Thermoforming Assisted by Neural Networks [0.8329456268842227]
優れた加工性、化学不確かさ、光学透過性を持つガラスは、光学製品や審美製品に広く用いられている。
従来の試行錯誤によるサーモフォーム化プロセスの開発アプローチは、大量の時間とリソースを浪費し、しばしば失敗に終わる。
本稿では, 形状誤差を適切に予測し, 成形設計においてこれらの誤差を補うことができる次元レスバックプロパゲーションニューラルネットワーク(BPNN)について報告する。
論文 参考訳（メタデータ） (2024-11-11T07:34:21Z) - Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。
本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-05T16:35:30Z) - Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement
Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。
エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文 参考訳（メタデータ） (2024-01-19T17:16:40Z) - Physics-based Reduced Order Modeling for Uncertainty Quantification of
Guided Wave Propagation using Bayesian Optimization [0.0]
ガイド波伝搬(GWP)は、構造健康モニタリング(SHM)における構造物の検査に一般的に用いられる。
不確実量化(UQ)は、予測の信頼性を向上させるために定期的に適用される。
本稿では,機械学習(ML)に基づくリダクションオーダーモデル(ROM)を提案し,GWPのシミュレーションに関する計算時間を短縮する。
論文 参考訳（メタデータ） (2023-07-18T22:03:43Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳（メタデータ） (2023-05-27T19:57:27Z) - Predicting Oxide Glass Properties with Low Complexity Neural Network and
Physical and Chemical Descriptors [1.8734449181723827]
酸化物ガラスの特性予測性能を向上させる低複雑性ニューラルネットワーク(LCNN)を提案する。
ガラス部品の大規模なデータセット(50000)をトレーニングすることにより、LCNNはXGBoostのような最先端のアルゴリズムより優れていることを示す。
LCNNモデルの普遍性を,オリジナルトレーニングセットに存在しない新しいコンポーネントを持つ眼鏡の特性を予測して示す。
論文 参考訳（メタデータ） (2022-10-19T12:23:30Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - IUP: An Intelligent Utility Prediction Scheme for Solid-State
Fermentation in 5G IoT [5.488627024876978]
We propose a Intelligent Utility Prediction scheme for SOILD-STATE Fermentation (SSF) in 5G Industrial Internet of Things (IoT)。
この IUP スキームは,5G 産業用 IoT の環境認識と知的学習アルゴリズムに基づいている。
また,GAN(Generative Adrial Networks)とFCNN(Fullly Connected Neural Networks)に基づくSSFの実用性予測モデルの設計を行った。
論文 参考訳（メタデータ） (2021-03-28T07:36:48Z) - Interpretable Data-driven Methods for Subgrid-scale Closure in LES for
Transcritical LOX/GCH4 Combustion [0.0]
本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。
特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
論文 参考訳（メタデータ） (2021-03-11T00:54:50Z) - RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2
Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています
The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文 参考訳（メタデータ） (2020-10-15T03:09:08Z)
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。