論文の概要: Material synthesis through simulations guided by machine learning: a position paper
- arxiv url: http://arxiv.org/abs/2411.13953v1
- Date: Thu, 21 Nov 2024 09:06:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:18:34.103700
- Title: Material synthesis through simulations guided by machine learning: a position paper
- Title（参考訳）: 機械学習による材料合成 : 位置紙
- Authors: Usman Syed, Federico Cunico, Uzair Khan, Eros Radicchi, Francesco Setti, Adolfo Speghini, Paolo Marone, Filiberto Semenzin, Marco Cristani,
- Abstract要約: 石切り工程からのカルシウム豊富な残留物である大理石汚泥は、様々な材料を混ぜて再利用することができる。
大理石汚泥再利用のための最適混合設計分野における持続可能なデータ収集手法を提案する。
- 参考スコア（独自算出の注目度）: 8.200404240116516
- License:
- Abstract: In this position paper, we propose an approach for sustainable data collection in the field of optimal mix design for marble sludge reuse. Marble sludge, a calcium-rich residual from stone-cutting processes, can be repurposed by mixing it with various ingredients. However, determining the optimal mix design is challenging due to the variability in sludge composition and the costly, time-consuming nature of experimental data collection. Also, we investigate the possibility of using machine learning models using meta-learning as an optimization tool to estimate the correct quantity of stone-cutting sludge to be used in aggregates to obtain a mix design with specific mechanical properties that can be used successfully in the building industry. Our approach offers two key advantages: (i) through simulations, a large dataset can be generated, saving time and money during the data collection phase, and (ii) Utilizing machine learning models, with performance enhancement through hyper-parameter optimization via meta-learning, to estimate optimal mix designs reducing the need for extensive manual experimentation, lowering costs, minimizing environmental impact, and accelerating the processing of quarry sludge. Our idea promises to streamline the marble sludge reuse process by leveraging collective data and advanced machine learning, promoting sustainability and efficiency in the stonecutting sector.
- Abstract（参考訳）: 本稿では, 大理石汚泥再利用のための最適混合設計分野における持続可能なデータ収集手法を提案する。
石切り工程からのカルシウム豊富な残留物である大理石汚泥は、様々な材料を混ぜて再利用することができる。
しかし,スラッジ組成の変動性や,実験データ収集のコスト,時間的特性から最適混合設計を決定することは困難である。
また, メタラーニングを最適化ツールとして機械学習モデルを用いて, 骨材に使用する石切り汚泥の正しい量を推定し, 建築産業において有効利用可能な, 特定の機械的特性を有する混合設計を得る可能性についても検討した。
私たちのアプローチには2つの大きな利点があります。
i) シミュレーションにより、大規模なデータセットを生成し、データ収集フェーズ中に時間とお金を節約し、
二 機械学習モデルの利用、メタラーニングによるハイパーパラメータ最適化による性能向上により、広範囲な手動実験の必要性を低減し、コストを下げ、環境への影響を最小限に抑え、採石汚泥の処理を高速化する最適な混合設計を推定すること。
我々のアイデアは、集合データと高度な機械学習を活用して大理石の汚泥再利用プロセスの合理化を約束し、石切り業における持続可能性と効率性を促進する。
関連論文リスト
- Unveiling Processing--Property Relationships in Laser Powder Bed Fusion: The Synergy of Machine Learning and High-throughput Experiments [0.0]
本稿では,高スループット実験と階層型機械学習(ML)の相乗効果を考慮した手法を提案する。
レーザー粉末層融合(LPBF)におけるプロセスパラメータの集合と選択された機械的特性(引張強度と延性)との複雑な関係を明らかにする。
本手法は材料非依存であり、17-4PHステンレス鋼への適用を実証する。
論文 参考訳（メタデータ） (2024-08-30T20:34:16Z) - Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance [55.872926690722714]
本研究では,関数形式の混合比に関するモデル性能の予測可能性について検討する。
トレーニングステップのスケーリング法則,モデルサイズ,データ混合法則のネスト利用を提案する。
提案手法は,RedPajamaにおける100Bトークンをトレーニングした1Bモデルのトレーニング混合物を効果的に最適化する。
論文 参考訳（メタデータ） (2024-03-25T17:14:00Z) - Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。
機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。
本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:29:59Z) - Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。
EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。
本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文 参考訳（メタデータ） (2023-09-10T22:05:24Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Probabilistic selection and design of concrete using machine learning [0.0]
機械学習を用いて信頼性の高いプロパティ予測を行うことで、コンクリートのパフォーマンスベースの仕様作成が容易になる。
本研究では, 炭素化に対する耐性が高いコンクリートの混合物と, 環境影響の低いコンクリートの混合物を同定する手法を適用した。
我々の一般的な手法は、構造工学に幅広い応用がある機械学習におけるノイズの活用を可能にする。
論文 参考訳（メタデータ） (2023-04-21T19:20:40Z) - A Data Driven Sequential Learning Framework to Accelerate and Optimize
Multi-Objective Manufacturing Decisions [1.5771347525430772]
本稿では、逐次学習を利用して複雑なシステムを効率的に最適化する新しいデータ駆動型ベイズ最適化フレームワークを提案する。
提案フレームワークは,データ取得が高価で資源集約的な実用アプリケーションにおいて特に有用である。
提案されたデータ駆動フレームワークは、コストと時間を削減して、同様の製造上の決定を下す可能性がある。
論文 参考訳（メタデータ） (2023-04-18T20:33:08Z) - Multi-objective simulation optimization of the adhesive bonding process
of materials [50.591267188664666]
このような接着プロセスの最適プロセスパラメータを見つけることは困難である。
本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
論文 参考訳（メタデータ） (2021-12-09T09:58:58Z) - TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。
我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。
実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文 参考訳（メタデータ） (2021-10-27T21:05:00Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Performance Analysis of Combine Harvester using Hybrid Model of
Artificial Neural Networks Particle Swarm Optimization [0.0]
本稿では、粒子群最適化(ANN-PSO)と統合されたニューラルネットワークに基づく新しいハイブリッド機械学習モデルを提案する。
その結果,コンバイン収穫機の性能向上に期待できる結果が得られた。
論文 参考訳（メタデータ） (2020-02-22T22:38:01Z)
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。