論文の概要: SFFT-Based Homogenization: Using Tensor Trains to Enhance FFT-Based Homogenization

• arxiv url: http://arxiv.org/abs/2412.11566v3
• Date: Mon, 10 Feb 2025 22:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 16:10:29.499539
• Title: SFFT-Based Homogenization: Using Tensor Trains to Enhance FFT-Based Homogenization
• Title（参考訳）: SFFTに基づく均質化--テンソルトレインを用いたFFTに基づく均質化の促進
• Authors: Sascha H. Hauck, Matthias Kabel, Mazen Ali, Nicolas R. Gauger,
• Abstract要約: 均質化(英:homogenization)は、マイクロスケールの不均一性を持つ材料のマクロ特性を推定する手法である。 FFTをベースとした工業用途の均質化は、依然として過度に時間がかかる。 量子インスパイアされたSFFTに基づくホモジェナイゼーションアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Homogenization is a fundamental technique for estimating the macroscopic properties of materials with microscale heterogeneity. Among Homogenization methods, the FFT-based Homogenization algorithm has become widely used due to its computational efficiency and ability to handle complex microstructures. Nevertheless, even with GPU acceleration, FFT-based Homogenization for industrial applications remains excessively time-consuming, particularly when generating elastic training data for AI models. This is due to the curse of dimensionality, which arises from the algorithms reliance on the Fast Fourier Transform, creating a fundamental bottleneck. In this paper, we propose a quantum-inspired SFFT-based Homogenization algorithm that leverages the improved time complexity of a Tensor Train variant of the Quantum Fourier Transform. By additionally exploiting structural properties of the underlying microstructure, our method achieves exponential improvements in time complexity and memory efficiency compared to the traditional FFT-based technique - all while remaining executable on classical hardware. We evaluate the performance of our algorithm across increasingly complex microstructures, demonstrating its potential advantages and limitations.
• Abstract（参考訳）: 均質化(homogenization)は、マイクロスケールの不均一性を持つ材料のマクロ特性を推定するための基本的な技術である。 ホモジェナイゼーション法のうち、FFTベースのホモジェナイゼーションアルゴリズムは計算効率と複雑なミクロ構造を扱う能力のために広く利用されている。 それでも、GPUアクセラレーションでさえ、FFTベースの工業用アプリケーションの均質化は、特にAIモデルの弾力的なトレーニングデータを生成する場合、過度に時間がかかる。 これは次元性の呪いによるもので、これはアルゴリズムが高速フーリエ変換に依存しているためであり、根本的なボトルネックを生み出している。 本稿では,量子フーリエ変換のテンソルトレイン変種の改良時間複雑性を活用する,量子インスピレーション付きSFFTに基づくホモジェナイゼーションアルゴリズムを提案する。 さらに,本手法は,従来のFFTベースの手法と比較して,時間的複雑性とメモリ効率の指数関数的向上を実現する。 我々は,より複雑なマイクロ構造にまたがるアルゴリズムの性能を評価し,その潜在的な利点と限界を実証した。

関連論文リスト

• Spectral Normalization and Voigt-Reuss net: A universal approach to microstructure-property forecasting with physical guarantees [0.0]
  設計プロセスにおける重要なステップは、効果的な機械的、熱的、あるいは一般的には弾性特性の迅速な評価である。 古典的なシミュレーションに基づくアプローチは、例えば有限要素やFFTベースの解法を使うが、かなりの計算資源を必要とする。 本稿では,これらの境界を優先的に適用するスペクトル正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-01T12:21:57Z)
• The Finite Element Neural Network Method: One Dimensional Study [0.0]
  本研究は,ペトロフ・ガレルキン法(ペトロフ・ガレルキン法)の枠組みにおける有限要素ニューラルネットワーク法(FENNM)を紹介する。 FENNMは、微分方程式の重み付け残差を近似するために畳み込み演算を用いる。 これにより、従来の有限要素法(FEM)の解法と同様に、強制項と自然境界条件を損失関数に統合することができる。
  論文  参考訳（メタデータ） (2025-01-21T21:39:56Z)
• Pseudospectral method for solving PDEs using Matrix Product States [0.0]
  本研究では,行列積状態(MPS)を用いた時間依存偏微分方程式(PDE)の解くことに焦点を当てる。 本稿では,Hermite Distributed Approximating Functions(HDAF)をMPSに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-04T17:53:38Z)
• Single-shot Phase Retrieval from a Fractional Fourier Transform Perspective [12.490990352972695]
  分数フーリエ変換の観点から,新しい単発位相探索パラダイムを提案する。 FrFT領域の強度測定は位相検索のあいまいさを軽減するのに非常に有効である。 提案する自己教師型再構成手法は,FrFTの高速離散アルゴリズムを,未学習のニューラルネットワークの先行アルゴリズムと併用する。
  論文  参考訳（メタデータ） (2023-11-18T03:11:31Z)
• Parameter-Efficient Orthogonal Finetuning via Butterfly Factorization [102.92240148504774]
  下流タスク適応のための原則的微調整パラダイムである直交微調整(Orthogonal Finetuning, OFT)について検討する。 優れた一般化性を示しているにもかかわらず、OFTはまだかなり多くのトレーニング可能なパラメータを使っている。 我々はこのパラメータ化をOFTに適用し、ORFT(Orthogonal Butterfly)と呼ばれる新しいパラメータ効率の微調整法を開発した。
  論文  参考訳（メタデータ） (2023-11-10T18:59:54Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Domain Agnostic Fourier Neural Operators [15.29112632863168]
  本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。 鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。 DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-30T13:29:06Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Finite Element Method-enhanced Neural Network for Forward and Inverse Problems [0.0]
  本稿では,古典的有限要素法(FEM)とニューラルネットワークを組み合わせた新しいハイブリッド手法を提案する。 有限要素法とニューラルネットワークからのカスタム損失関数の残余をマージしてアルゴリズムを構成する。 提案手法は実時間シミュレーションにおける代理モデルに利用できる。
  論文  参考訳（メタデータ） (2022-05-17T13:18:14Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。