Fugu-MT 論文翻訳(概要): GrainPaint: A multi-scale diffusion-based generative model for microstructure reconstruction of large-scale objects

論文の概要: GrainPaint: A multi-scale diffusion-based generative model for microstructure reconstruction of large-scale objects

arxiv url: http://arxiv.org/abs/2503.04776v1
Date: Tue, 18 Feb 2025 14:13:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-16 09:47:32.674379
Title: GrainPaint: A multi-scale diffusion-based generative model for microstructure reconstruction of large-scale objects
Title（参考訳）: GrainPaint: 大規模オブジェクトの微細構造再構成のためのマルチスケール拡散ベース生成モデル
Authors: Nathan Hoffman, Cashen Diniz, Dehao Liu, Theron Rodgers, Anh Tran, Mark Fuge,
Abstract要約: 本稿では, この生成領域制限を克服するために, デノナイズ拡散モデルを用いた塗装の進展を利用した新しい微細構造生成手法を提案する。本研究では, モンテカルロシミュレータSPPARKSを用いて生成した粒状構造に, 統計的に類似していることを示す。
参考スコア（独自算出の注目度）: 1.1386552427489969
License:
Abstract: Simulation-based approaches to microstructure generation can suffer from a variety of limitations, such as high memory usage, long computational times, and difficulties in generating complex geometries. Generative machine learning models present a way around these issues, but they have previously been limited by the fixed size of their generation area. We present a new microstructure generation methodology leveraging advances in inpainting using denoising diffusion models to overcome this generation area limitation. We show that microstructures generated with the presented methodology are statistically similar to grain structures generated with a kinetic Monte Carlo simulator, SPPARKS.
Abstract（参考訳）: シミュレーションに基づくマイクロ構造生成のアプローチは、高いメモリ使用量、長い計算時間、複雑なジオメトリの生成の困難など、様々な制限に悩まされる。生成機械学習モデルはこれらの問題を回避しているが、以前は生成領域の固定サイズによって制限されていた。本稿では, この生成領域制限を克服するために, デノナイズ拡散モデルを用いた塗装の進展を利用した新しい微細構造生成手法を提案する。本研究では, モンテカルロシミュレータSPPARKSを用いて生成した粒状構造に, 統計的に類似していることを示す。

関連論文リスト

Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文参考訳（メタデータ） (2025-02-16T23:13:55Z)
Combinatorial Complex Score-based Diffusion Modelling through Stochastic Differential Equations [0.0]
この論文はグラフ生成におけるスコアベース生成モデルの可能性を探るものである。本稿では,微分方程式を用いた統一的枠組みを提案する。このイノベーションは、グラフ生成のみに焦点を当てた既存のフレームワークの制限を克服し、生成AIの新たな可能性を開く。
論文参考訳（メタデータ） (2024-06-07T13:16:10Z)
A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables [0.0]
材料科学において、望ましい性質を持つ急速プロトタイピングの課題は、しばしば適切な微細構造を見つけるために広範な実験を必要とする。生成機械学習モデルを使用することは、計算コストの低減にも有効である。これは、例えば、モデルへの条件付け入力として連続的なプロパティ変数を必要とするため、新しい課題が伴う。本稿では,既存手法の欠点を考察し,浮動小数点数のバイナリ表現に基づく生成モデルの新たな埋め込み戦略と比較する。これにより正規化の必要性を排除し、情報を保存し、生成モデルを条件付けするための汎用的な埋め込み空間を作成する。
論文参考訳（メタデータ） (2023-11-19T15:03:19Z)
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)
Evaluating the diversity and utility of materials proposed by generative models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文参考訳（メタデータ） (2023-08-09T14:42:08Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
論文参考訳（メタデータ） (2023-02-22T18:48:46Z)
Enhancing Mechanical Metamodels with a Generative Model-Based Augmented Training Dataset [0.7734726150561089]
組織の機械的挙動を定義する上で重要な役割を果たしているミクロ構造パターンをシミュレートすることは困難である。本研究では,限られた入力パターンデータセットを増大させるツールとして,機械学習に基づく生成モデルの有効性について検討する。 Cahn-Hilliardパターンに基づく有限要素解析シミュレーションのオープンアクセスデータセットを作成しました。
論文参考訳（メタデータ） (2022-03-08T16:15:54Z)
Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文参考訳（メタデータ） (2022-02-06T11:57:39Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials [0.0]
我々は, 固体酸化物燃料電池電極の3次元微細構造を学習・生成するために, GAN(Generative Adversarial Network)フレームワークを実装した。粒子生成アルゴリズム(DREAM.3D)による結果との比較および比較を行った。高忠実度でマイクロ構造を再現する生成機械学習モデルの能力は、複雑なマイクロ構造の本質を捕捉し、コンパクトでマニピュラブルな形で表現できることを示唆している。
論文参考訳（メタデータ） (2020-06-22T21:52:01Z)

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。