論文の概要: Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training

• arxiv url: http://arxiv.org/abs/2409.05169v3
• Date: Sat, 21 Dec 2024 14:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:03.628118
• Title: Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training
• Title（参考訳）: グラフニューラルネットワークによる多結晶塑性の応力予測
• Authors: Hanfeng Zhai,
• Abstract要約: 有限要素法(FEM)シミュレーションから多結晶塑性の複雑な測地応力を予測するためにグラフニューラルネットワーク(GNN)を用いる。 本稿では,FEMメッシュセル間のノイズ歪みとエッジ距離を符号化する新しいメッセージパスGNNを提案する。 本稿では, 複雑なジオメトリーを持つ周期性多結晶体にGNNを応用し, 結晶塑性理論に基づくひずみ-応力写像を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Numerical modeling of polycrystal plasticity is computationally intensive. We employ Graph Neural Networks (GNN) to predict stresses on complex geometries for polycrystal plasticity from Finite Element Method (FEM) simulations. We present a novel message-passing GNN that encodes nodal strain and edge distances between FEM mesh cells, and aggregates to obtain embeddings and combines the decoded embeddings with the nodal strains to predict stress tensors on graph nodes. The GNN is trained on subgraphs generated from FEM mesh graphs, in which the mesh cells are converted to nodes and edges are created between adjacent cells. We apply the trained GNN to periodic polycrystals with complex geometries and learn the strain-stress maps based on crystal plasticity theory. The GNN is accurately trained on FEM graphs, in which the $R^2$ for both training and testing sets are larger than 0.99. The proposed GNN approach speeds up more than 150 times compared with FEM on stress predictions. We also apply the trained GNN to unseen simulations for validations and the GNN generalizes well with an overall $R^2$ of 0.992. The GNN accurately predicts the von Mises stress on polycrystals. The proposed model does not overfit and generalizes well beyond the training data, as the error distributions demonstrate. This work outlooks surrogating crystal plasticity simulations using graph data.
• Abstract（参考訳）: 多結晶塑性の数値モデリングは計算集約的である。 有限要素法(FEM)シミュレーションから多結晶塑性の複雑な測地応力を予測するためにグラフニューラルネットワーク(GNN)を用いる。 本稿では,FEMメッシュセル間の結節ひずみと縁距離を符号化した新しいメッセージパスGNNを提案する。 GNNは、FEMメッシュグラフから生成されたサブグラフに基づいて訓練され、メッシュセルはノードに変換され、隣のセル間でエッジが生成される。 本稿では, 複雑なジオメトリーを持つ周期性多結晶体にGNNを応用し, 結晶塑性理論に基づくひずみ-応力写像を学習する。 GNNはFEMグラフ上で正確にトレーニングされており、トレーニングセットとテストセットの両方に対して$R^2$は0.99より大きい。 提案したGNNアプローチは,ストレス予測のFEMと比較して150倍以上の高速化を実現している。 また、トレーニングされたGNNを検証の未確認シミュレーションに適用し、総合的な$R^2$ 0.992でGNNを一般化する。 GNNは、多結晶上でのvon Mises応力を正確に予測する。 提案モデルでは, 誤差分布が示すように, トレーニングデータ以上に過度に適合せず, 一般化しない。 この研究は、グラフデータを用いた結晶の塑性シミュレーションを概観する。

関連論文リスト

• Stealing Training Graphs from Graph Neural Networks [54.52392250297907]
  グラフニューラルネットワーク(GNN)は、様々なタスクにおけるグラフのモデリングにおいて有望な結果を示している。 ニューラルネットワークがトレーニングサンプルを記憶できるため、GNNのモデルパラメータはプライベートトレーニングデータをリークするリスクが高い。 訓練されたGNNからグラフを盗むという新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-11-17T23:15:36Z)
• Sketch-GNN: Scalable Graph Neural Networks with Sublinear Training Complexity [30.2972965458946]
  グラフネットワーク(GNN)はノード分類などのグラフ学習問題に広く適用されている。 GNNの基盤となるグラフをより大きなサイズにスケールアップする場合、完全なグラフをトレーニングするか、あるいは完全なグラフの隣接とノードのメモリへの埋め込みを維持せざるを得ません。 本稿では,学習時間と記憶量がグラフサイズに比例して増加するスケッチベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-21T18:22:11Z)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• How Curvature Enhance the Adaptation Power of Framelet GCNs [27.831929635701886]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングにおいて強力に実証されている。 本稿では,離散グラフリッチ曲率によるGNNの拡張手法を提案する。 曲率に基づくGNNモデルは、ホモフィリーグラフとヘテロフィリーグラフの両方において、最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-19T06:05:33Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• MGNN: Graph Neural Networks Inspired by Distance Geometry Problem [28.789684784093048]
  グラフニューラルネットワーク(GNN)は、機械学習分野における顕著な研究トピックとして現れている。 本稿では,GNNの分類段階における分類器の親近性に着想を得たGNNモデルを提案する。 合成および実世界の両方のデータセットを用いて実験を行い,本モデルの有効性を広範囲に評価した。
  論文  参考訳（メタデータ） (2022-01-31T04:15:42Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Improving Molecular Graph Neural Network Explainability with Orthonormalization and Induced Sparsity [0.0]
  GCNNのトレーニング中に適用する2つの簡単な正規化手法を提案します。 BROはグラフ畳み込み演算を奨励し、正規直交ノード埋め込みを生成する。 ギニ正規化は出力層の重みに適用され、モデルが予測するために使える次元の数を制約する。
  論文  参考訳（メタデータ） (2021-05-11T08:13:34Z)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)

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。