論文の概要: Learning Metal Microstructural Heterogeneity through Spatial Mapping of Diffraction Latent Space Features
- arxiv url: http://arxiv.org/abs/2501.18064v1
- Date: Thu, 30 Jan 2025 00:16:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:14:21.125431
- Title: Learning Metal Microstructural Heterogeneity through Spatial Mapping of Diffraction Latent Space Features
- Title(参考訳): 回折潜時空間特徴の空間マッピングによる金属組織不均一性の学習
- Authors: Mathieu Calvat, Chris Bean, Dhruv Anjaria, Hyoungryul Park, Haoren Wang, Kenneth Vecchio, J. C. Stinville,
- Abstract要約: 金属ミクロ構造のデータ再生表現を開発することは重要である。
このニーズは、特に添加物製造によって加工された金属材料に関係している。
本稿では,金属回折潜時空間特徴の物理空間マッピングを提案する。
- 参考スコア(独自算出の注目度): 0.2692359362045324
- License:
- Abstract: To leverage advancements in machine learning for metallic materials design and property prediction, it is crucial to develop a data-reduced representation of metal microstructures that surpasses the limitations of current physics-based discrete microstructure descriptors. This need is particularly relevant for metallic materials processed through additive manufacturing, which exhibit complex hierarchical microstructures that cannot be adequately described using the conventional metrics typically applied to wrought materials. Furthermore, capturing the spatial heterogeneity of microstructures at the different scales is necessary within such framework to accurately predict their properties. To address these challenges, we propose the physical spatial mapping of metal diffraction latent space features. This approach integrates (i) point diffraction data encoding via variational autoencoders or contrastive learning and (ii) the physical mapping of the encoded values. Together these steps offer a method offers a novel means to comprehensively describe metal microstructures. We demonstrate this approach on a wrought and additively manufactured alloy, showing that it effectively encodes microstructural information and enables direct identification of microstructural heterogeneity not directly possible by physics-based models. This data-reduced microstructure representation opens the application of machine learning models in accelerating metallic material design and accurately predicting their properties.
- Abstract(参考訳): 金属材料の設計と特性予測のための機械学習の進歩を活用するためには、現在の物理学に基づく離散的マイクロ構造記述子の限界を超えた、データ再現された金属ミクロ構造の表現を開発することが不可欠である。
このニーズは、特に添加物製造によって処理された金属材料に関係しており、これは通常、干拓材に適用される従来の指標を用いて適切に説明できない複雑な階層構造を示す。
さらに, それらの特性を正確に予測するためには, 異なるスケールのミクロ構造の空間的不均一性を捉える必要がある。
これらの課題に対処するため,金属回折潜時空間特徴の物理空間マッピングを提案する。
このアプローチは統合されます
一 変分オートエンコーダ又はコントラスト学習による点回折データ符号化
(ii)エンコードされた値の物理マッピング。
これらのステップは、金属の微細構造を包括的に記述する新しい手段を提供する。
本手法は, 微構造情報を効果的に符号化し, 物理モデルでは直接不可能な微細構造不均一性を同定できることを示す。
このデータ再生マイクロ構造表現は、金属材料設計の加速とそれらの特性の正確な予測に機械学習モデルの適用を開放する。
関連論文リスト
- Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。
既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。
本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2024-11-06T23:53:34Z) - Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。
このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
論文 参考訳(メタデータ) (2024-09-04T12:26:19Z) - Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。
相互作用分解」の観点から構成構造の特徴づけを導入する。
モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
論文 参考訳(メタデータ) (2024-07-12T02:39:50Z) - Revealing the structure-property relationships of copper alloys with FAGC [7.00651980770986]
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。
論文 参考訳(メタデータ) (2024-04-15T07:20:09Z) - Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response [1.283555556182245]
異なるミクロ構造材料対称性を持つ複合材料は、工学的応用において一般的である。
異方性成分を持つ材料の効果的な均質化モデルを提供するニューラルネットワークアーキテクチャを提供する。
論文 参考訳(メタデータ) (2024-04-05T14:49:01Z) - Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators [2.4918888803900727]
機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。
ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。
2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5~10%の範囲内であることが判明した。
論文 参考訳(メタデータ) (2023-11-23T05:23:15Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
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) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳(メタデータ) (2022-05-31T13:26:51Z) - 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) - Deep Generative Modeling for Mechanistic-based Learning and Design of
Metamaterial Systems [20.659457956055366]
深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。
本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。
機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
論文 参考訳(メタデータ) (2020-06-27T03:56:55Z) - 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。