論文の概要: 3D variational autoencoder for fingerprinting microstructure volume elements

• arxiv url: http://arxiv.org/abs/2503.17427v1
• Date: Fri, 21 Mar 2025 11:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:42.086681
• Title: 3D variational autoencoder for fingerprinting microstructure volume elements
• Title（参考訳）: フィンガープリント用3次元可変オートエンコーダ
• Authors: Michael D. White, Michael D. Atkinson, Adam J. Plowman, Pratheek Shanthraj,
• Abstract要約: 微細構造ボリューム要素(VE)を符号化するための3次元変分オートエンコーダ(VAE)を提案する。 配向空間の結晶対称性は、前処理ステップとして結晶の基本領域にマッピングすることで説明される。 次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。 このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。
• 参考スコア（独自算出の注目度）: 0.5892638927736115
• License:
• Abstract: Microstructure quantification is an important step towards establishing structure-property relationships in materials. Machine learning-based image processing methods have been shown to outperform conventional image processing techniques and are increasingly applied to microstructure quantification tasks. In this work, we present a 3D variational autoencoder (VAE) for encoding microstructure volume elements (VEs) comprising voxelated crystallographic orientation data. Crystal symmetries in the orientation space are accounted for by mapping to the crystallographic fundamental zone as a preprocessing step, which allows for a continuous loss function to be used and improves the training convergence rate. The VAE is then used to encode a training set of VEs with an equiaxed polycrystalline microstructure with random texture. Accurate reconstructions are achieved with a relative average misorientation error of 9x10-3 on the test dataset, for a continuous latent space with dimension 256. We show that the model generalises well to microstructures with textures, grain sizes and aspect ratios outside the training distribution. Structure-property relationships are explored through using the training set of VEs as initial configurations in various crystal plasticity (CP) simulations. Microstructural fingerprints extracted from the VAE, which parameterise the VEs in a low-dimensional latent space, are stored alongside the volume-averaged stress response, at each strain increment, to uniaxial tensile deformation from CP simulations. This is then used to train a fully connected neural network mapping the input fingerprint to the resulting stress response, which acts as a surrogate model for the CP simulation. The fingerprint-based surrogate model is shown to accurately predict the microstructural dependence in the CP stress response, with a relative mean-squared error of 8.9x10-4 on unseen test data.
• Abstract（参考訳）: 組織定量化は、材料の構造-不純物関係を確立するための重要なステップである。 機械学習に基づく画像処理手法は、従来の画像処理技術よりも優れており、マイクロ構造定量化タスクにますます応用されている。 本研究では,酸化結晶方位データからなる微細構造体積要素(VE)を符号化する3次元変分オートエンコーダ(VAE)を提案する。 配向空間における結晶対称性は、結晶の基本領域を前処理ステップとしてマッピングすることで説明され、連続損失関数の使用を可能にし、トレーニング収束率を向上させる。 次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。 精度の高い再構成は、寸法256の連続潜伏空間に対して、テストデータセット上での相対平均誤差9x10-3で達成される。 このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。 種々の結晶塑性(CP)シミュレーションにおいて,VEのトレーニングセットを初期構成として利用することにより,構造と物性の関係を解明する。 低次元の潜伏空間でVEをパラメータ化するVAEから抽出された微細構造指紋は、各ひずみインクリメントにおいて、体積平均応力応答とともにCPシミュレーションから一軸引張変形に記憶される。 これは入力指紋を結果のストレス応答にマッピングする完全に接続されたニューラルネットワークのトレーニングに使用され、CPシミュレーションの代理モデルとして機能する。 指紋ベースサロゲートモデルを用いてCP応力応答の微構造依存性を正確に予測し, 相対平均2乗誤差8.9x10-4を未確認試験データ上で求める。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• GPU-Accelerated RSF Level Set Evolution for Large-Scale Microvascular Segmentation [2.5003043942194236]
  本稿では,地域スケーラブルフィッティング(RSF)レベルセットモデルの改訂と実装を提案する。 これにより、単命令多重データ(SIMD)と単プログラム多重データ(SPMD)並列処理の両方を用いて3次元評価が可能となる。 我々は、最先端イメージング技術を用いて取得した複数のデータセットに対して、この3次元並列RSF手法を用いて、微小血管データを取得することを試みた。
  論文  参考訳（メタデータ） (2024-04-03T15:37:02Z)
• Effect of structure-based training on 3D localization precision and quality [0.0]
  本研究では,単一分子局在化顕微鏡におけるCNNアルゴリズムの構造に基づくトレーニング手法を提案する。 このアプローチを従来のランダムベーストレーニング手法と比較し,LUENNパッケージをAIパイプラインとして利用した。 以上の結果から,超高分解能顕微鏡の高度化に向けた構造ベーストレーニングアプローチの可能性が示唆された。
  論文  参考訳（メタデータ） (2023-09-29T14:17:31Z)
• 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)
• 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)
• A microstructure estimation Transformer inspired by sparse representation for diffusion MRI [11.761543033212797]
  ダウンサンプルq空間データを用いたdMRIによる微細構造推定のためのTransformerに基づく学習ベースフレームワークを提案する。 提案手法は,スキャン時間で最大11.25倍の加速を実現し,他の最先端の学習手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-13T05:14:22Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• 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)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。