Fugu-MT 論文翻訳(概要): Physics-Informed Machine Learning for Smart Additive Manufacturing

論文の概要: Physics-Informed Machine Learning for Smart Additive Manufacturing

arxiv url: http://arxiv.org/abs/2407.10761v1
Date: Mon, 15 Jul 2024 14:40:24 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 14:51:56.378300
Title: Physics-Informed Machine Learning for Smart Additive Manufacturing
Title（参考訳）: スマートアダプティブマニュファクチャリングのための物理インフォームド機械学習
Authors: Rahul Sharma, Maziar Raissi, Y. B. Guo,
Abstract要約: 本稿では、ニューラルネットワークと物理法則を統合した物理インフォームド・機械学習(PIML)モデルの開発に焦点をあて、レーザー金属堆積(LMD)におけるケーススタディによるモデル精度、透明性、一般化について述べる。
参考スコア（独自算出の注目度）: 2.3091320511105353
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Compared to physics-based computational manufacturing, data-driven models such as machine learning (ML) are alternative approaches to achieve smart manufacturing. However, the data-driven ML's "black box" nature has presented a challenge to interpreting its outcomes. On the other hand, governing physical laws are not effectively utilized to develop data-efficient ML algorithms. To leverage the advantages of ML and physical laws of advanced manufacturing, this paper focuses on the development of a physics-informed machine learning (PIML) model by integrating neural networks and physical laws to improve model accuracy, transparency, and generalization with case studies in laser metal deposition (LMD).
Abstract（参考訳）: 物理ベースの計算製造と比較して、機械学習(ML)のようなデータ駆動モデルは、スマート製造を実現するための代替手法である。しかし、データ駆動型MLの"ブラックボックス"の性質は、結果の解釈に挑戦している。一方、データ効率のよいMLアルゴリズムを開発するために、物理法則を効果的に利用することはできない。本稿では, ニューラルネットワークと物理法則を統合し, モデル精度, 透明性, およびレーザー金属蒸着法(LMD)のケーススタディによる一般化を改良することにより, MLの利点と高度な製造法則を活用することに焦点を当てた物理インフォームド機械学習(PIML)モデルの開発について述べる。

関連論文リスト

Replication Study: Enhancing Hydrological Modeling with Physics-Guided Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文参考訳（メタデータ） (2024-02-21T16:26:59Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文参考訳（メタデータ） (2023-11-01T20:49:59Z)
Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
論文参考訳（メタデータ） (2023-06-24T05:24:48Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
A Taylor Based Sampling Scheme for Machine Learning in Computational Physics [0.0]
数値シミュレーションプログラムを用いてデータを生成する能力を利用して機械学習モデルをより良く訓練する。通常の微分方程式(ODE)システムの解を学習する際のディープニューラルネットワーク(DNN)の誤差を低減するために、テイラー近似に基づく新しいデータサンプリングスキームを考案した。
論文参考訳（メタデータ） (2021-01-20T12:56:09Z)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。