論文の概要: Deep image learning of quantitative structure-property relationships of cooper alloys via feature augmentation on Geodesic curve in shape space

• arxiv url: http://arxiv.org/abs/2404.09515v1
• Date: Mon, 15 Apr 2024 07:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-04-16 13:09:46.132576
• Title: Deep image learning of quantitative structure-property relationships of cooper alloys via feature augmentation on Geodesic curve in shape space
• Title（参考訳）: 形状空間におけるジオデシック曲線上の特徴増強によるコパー合金の定量的構造・物性関係の深部画像学習
• Authors: Yuexing Han, Guanxin Wan, Bing Wang, Yi Liu,
• Abstract要約: 本研究では,Cu-Cr-Zr合金に対して,FAGC(Feature Augmentation on Geodesic Curves)法を提案する。 このアプローチは、機械学習を利用して、合金の微細構造の画像内の形状を調べ、その機械的および電子的特性を予測する。 FAGC法では,Cu-Cr-Zr合金の電気伝導率および硬さの予測精度が著しく向上した。
• 参考スコア（独自算出の注目度）: 4.54072577606172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how the structure of materials affects their properties is a cornerstone of materials science and engineering. However, traditional methods have struggled to accurately describe the quantitative structure-property relationships for complex structures. In our study, we bridge this gap by leveraging machine learning to analyze images of materials' microstructures, thus offering a novel way to understand and predict the properties of materials based on their microstructures. We introduce a method known as FAGC (Feature Augmentation on Geodesic Curves), specifically demonstrated for Cu-Cr-Zr alloys. This approach utilizes machine learning to examine the shapes within images of the alloys' microstructures and predict their mechanical and electronic properties. This generative FAGC approach can effectively expand the relatively small training datasets due to the limited availability of materials images labeled with quantitative properties. The process begins with extracting features from the images using neural networks. These features are then mapped onto the Pre-shape space to construct the Geodesic curves. Along these curves, new features are generated, effectively increasing the dataset. Moreover, we design a pseudo-labeling mechanism for these newly generated features to further enhance the training dataset. Our FAGC method has shown remarkable results, significantly improving the accuracy of predicting the electronic conductivity and hardness of Cu-Cr-Zr alloys, with R-squared values of 0.978 and 0.998, respectively. These outcomes underscore the potential of FAGC to address the challenge of limited image data in materials science, providing a powerful tool for establishing detailed and quantitative relationships between complex microstructures and material properties.
• Abstract（参考訳）: 材料の構造がそれらの特性にどのように影響するかを理解することは、材料科学と工学の基盤となる。 しかし、従来の手法は複雑な構造に対する量的構造-不適切な関係を正確に記述するのに苦労してきた。 本研究では、このギャップを機械学習を利用して、材料の微細構造を解析し、その微細構造に基づいて材料の特性を理解し予測する新しい方法を提供する。 本研究では,Cu-Cr-Zr合金に対して,FAGC(Feature Augmentation on Geodesic Curves)法を提案する。 このアプローチは、機械学習を利用して、合金の微細構造の画像内の形状を調べ、その機械的および電子的特性を予測する。 この生成的FAGCアプローチは、量的特性でラベル付けされた材料画像の限られた可用性のために、比較的小さなトレーニングデータセットを効果的に拡張することができる。 このプロセスは、ニューラルネットワークを使って画像から特徴を抽出することから始まる。 これらの特徴は、ジオデシック曲線を構成するために前形空間に写像される。 これらの曲線に沿って、新しい機能が生成され、データセットが効果的に増加する。 さらに、トレーニングデータセットをさらに強化するために、これら新たに生成された機能のための擬似ラベル機構を設計する。 FAGC法は,Cu-Cr-Zr合金の電気伝導率と硬さをそれぞれ0.978,0.998で予測する精度を著しく向上した。 これらの結果は、材料科学における限られた画像データの問題に対処するFAGCの可能性を強調し、複雑なミクロ構造と材料特性の詳細な量的関係を確立する強力なツールを提供する。

関連論文リスト

• Machine Learning Enabled Graph Analysis of Particulate Composites: Application to Solid-state Battery Cathodes [9.342098489571326]
  微粒子複合材料は多くの固体化学・電気化学系の基盤となり、多相境界や粒子間結合といった微細構造がシステム性能に強く影響を及ぼす。 そこで我々は,多相粒子状複合材料の実験用マルチモーダルX線画像から,物理的洞察を抽出し,粒子レベルとネットワークレベルで局所的ミクロ構造・プロパティ関係を確立するためのスケーラブルなトポロジ対応グラフへの自動変換を実現する機械学習(ML)を実現するフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-18T02:00:22Z)
• Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys [28.495739557732175]
  構造的高エントロピー合金(HEA)は、様々な分野にわたる技術の進歩に不可欠である。 統合化学、プロセス、構造、および特性データの不足は、予測的特性モデリングに重大な課題をもたらす。 この研究は、いくつかの感度分析を示し、機械的挙動に対する重要な要素的貢献を強調している。
  論文  参考訳（メタデータ） (2025-08-06T19:41:15Z)
• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Explainable Multimodal Machine Learning for Revealing Structure-Property Relationships in Carbon Nanotube Fibers [0.0]
  本研究では, Explainable AI(XAI)を用いた特徴抽出のための因子分析を用いて, 多様なデータ型(マルチモーダルデータ)の分析を統合する。 この手法は多段加工条件と多スケール構造が複雑な影響を持つ材料特性のメカニズムを解明するための強力な手法である。
  論文  参考訳（メタデータ） (2025-02-11T09:29:23Z)
• Learning Metal Microstructural Heterogeneity through Spatial Mapping of Diffraction Latent Space Features [0.2692359362045324]
  金属ミクロ構造のデータ再生表現を開発することは重要である。 このニーズは、特に添加物製造によって加工された金属材料に関係している。 本稿では,金属回折潜時空間特徴の物理空間マッピングを提案する。
  論文  参考訳（メタデータ） (2025-01-30T00:16:07Z)
• Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys [0.0]
  本研究では, 中エントロピー合金(MEAs)のモデリングのためのグラフベース表現を提案する。 ハイブリッドモンテカルロ分子動力学(MC/MD)シミュレーションは、MEAの様々な熱処理温度で熱的に安定な構造を実現するために用いられる。 これらのシミュレーションはダンプファイルとポテンシャルエネルギーラベルを生成し、原子配置のグラフ表現を構築するのに使用される。 これらのグラフは、システムのポテンシャルエネルギーを予測するためのグラフ畳み込みニューラルネットワーク(GCNN)ベースのMLモデルの入力として機能する。
  論文  参考訳（メタデータ） (2024-11-20T19:22:40Z)
• Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
  要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。 マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。 これは結晶材料の性能を予測するためのより包括的な視点を提供する。
  論文  参考訳（メタデータ） (2024-11-13T08:07:21Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys [7.246224582503583]
  本研究では,画像処理と深層学習技術に基づくマルチモーダル融合学習フレームワークを提案する。 固溶Mg-Gd合金のビッカース硬さを正確に予測するために, 元素組成と組織特性を統合した。
  論文  参考訳（メタデータ） (2024-10-27T10:28:29Z)
• Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
  ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。 この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-23T07:48:35Z)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  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)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials [0.0]
  材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。 DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。 実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
  論文  参考訳（メタデータ） (2023-09-07T05:23:52Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
  本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。 本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。 我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-01-14T19:49:45Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Microscopic Relaxation Channels in Materials for Superconducting Qubits [76.84500123816078]
  我々は,T_$と粒径の相関,粒界に沿った酸素拡散の促進,表面近傍の亜酸化物濃度について検討した。 物理機構は、これらの微視的特性を残留表面抵抗と、粒界および亜酸化物の欠陥から生じる損失を通じて$T_$と結合する。 量子ビットデコヒーレンスチャートを理解するためのこの包括的なアプローチは、超伝導量子ビット性能の材料駆動改善のための経路である。
  論文  参考訳（メタデータ） (2020-04-06T18:01:15Z)

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。