論文の概要: Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator
- arxiv url: http://arxiv.org/abs/2503.14568v1
- Date: Tue, 18 Mar 2025 11:19:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-20 15:24:31.081277
- Title: Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator
- Title（参考訳）: フーリエニューラル演算子による高速・高分解能不変粒成長モデリングのための人工知能教育
- Authors: Iman Peivaste, Ahmed Makradi, Salim Belouettar,
- Abstract要約: ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。
伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。
本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Microstructural evolution, particularly grain growth, plays a critical role in shaping the physical, optical, and electronic properties of materials. Traditional phase-field modeling accurately simulates these phenomena but is computationally intensive, especially for large systems and fine spatial resolutions. While machine learning approaches have been employed to accelerate simulations, they often struggle with resolution dependence and generalization across different grain scales. This study introduces a novel approach utilizing Fourier Neural Operator (FNO) to achieve resolution-invariant modeling of microstructure evolution in multi-grain systems. FNO operates in the Fourier space and can inherently handle varying resolutions by learning mappings between function spaces. By integrating FNO with the phase field method, we developed a surrogate model that significantly reduces computational costs while maintaining high accuracy across different spatial scales. We generated a comprehensive dataset from phase-field simulations using the Fan Chen model, capturing grain evolution over time. Data preparation involved creating input-output pairs with a time shift, allowing the model to predict future microstructures based on current and past states. The FNO-based neural network was trained using sequences of microstructures and demonstrated remarkable accuracy in predicting long-term evolution, even for unseen configurations and higher-resolution grids not encountered during training.
- Abstract（参考訳）: 微細構造進化、特に結晶成長は、材料の物理的、光学的、電子的性質を形成する上で重要な役割を担っている。
伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、特に大規模システムや細かな空間分解では計算集約的である。
機械学習アプローチはシミュレーションを加速するために採用されているが、分解能依存と異なる粒度スケールでの一般化にしばしば苦労している。
本研究では,FNO(Fourier Neural Operator)を応用して,マルチグラインシステムにおける微細構造進化の分解不変モデリングを実現する手法を提案する。
FNOはフーリエ空間で作用し、関数空間間の写像を学習することで、本質的に様々な分解を処理できる。
位相場法とFNOを統合することにより,空間スケールの異なる精度を維持しながら計算コストを大幅に削減する代理モデルを開発した。
我々はFan Chenモデルを用いて相場シミュレーションから包括的データセットを作成し、時間とともに穀物の進化を捉えた。
データの準備には、タイムシフトを伴う入出力ペアの作成が含まれており、モデルが現在の状態と過去の状態に基づいて将来のマイクロ構造を予測することができる。
FNOベースのニューラルネットワークは、マイクロ構造のシーケンスを使用してトレーニングされ、トレーニング中に見つからない構成や高解像度グリッドに対してさえ、長期的な進化を予測する顕著な精度を示した。
関連論文リスト
- Machine-Learning Interatomic Potentials for Long-Range Systems [0.0]
本稿では,機械学習の力場に長距離インタラクションを統合するための軽量フレームワークを提案する。
様々な畳み込み層にまたがるガウスの乗算器を学習することにより、SOG-Netは様々な長距離減衰挙動を適応的に捉える。
論文 参考訳（メタデータ） (2025-02-07T05:23:04Z) - Neural Network Modeling of Microstructure Complexity Using Digital Libraries [1.03590082373586]
本研究では, 人工・スパイクニューラルネットワークの性能評価を行い, 疲労き裂進展とチューリングパターンの発達を予測した。
我々の評価では、漏れた統合・火災ニューロンモデルの方が、少ないパラメータと少ないメモリ使用量で予測精度が優れていることが示唆されている。
論文 参考訳（メタデータ） (2025-01-30T07:44:21Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Accelerating Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。
U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。
高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
論文 参考訳（メタデータ） (2024-06-24T20:13:23Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Learning two-phase microstructure evolution using neural operators and
autoencoder architectures [0.0]
我々は、畳み込みオートエンコーダアーキテクチャとディープニューラル演算子(DeepONet)を統合する新しいフレームワークを開発する。
DeepONetは潜伏空間における微細構造進化のメソスケールダイナミクスを学習する。
結果は、効率的で正確な位相場フレームワークである。
論文 参考訳（メタデータ） (2022-04-11T18:34:59Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z)
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。