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: 処理完了
- 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
- Spectroscopy-Guided Discovery of Three-Dimensional Structures of
Disordered Materials with Diffusion Models [6.97950396242977]
対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。
我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。
本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
論文 参考訳(メタデータ) (2023-12-09T05:40:10Z) - 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) - 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) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - Deep-Learning Quantitative Structural Characterization in Additive
Manufacturing [0.0]
本研究では, 添加物や部品のキー特性を構造解析する手法を開発した。
本手法は、画像から画像への変換条件付き生成逆ニューラルネットワークアーキテクチャに基づくディープラーニングを利用する。
本手法の拡張は,添加物製造のリアルタイム制御のために開発された機械学習モデルの人工知能実装に対処するために提案される。
論文 参考訳(メタデータ) (2023-01-20T17:59:45Z) - 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) - EBSD Grain Knowledge Graph Representation Learning for Material
Structure-Property Prediction [2.049702429898688]
材料遺伝工学プログラムは、材料組成/プロセス、組織、性能の関係を確立することを目的としている。
本稿では,新しいデータ知識駆動型組織表現と性能予測手法を提案する。
実験結果から,本手法は従来の機械学習やマシンビジョン手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-09-29T07:48:20Z) - 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)
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。