論文の概要: Towards scientific machine learning for granular material simulations -- challenges and opportunities

• arxiv url: http://arxiv.org/abs/2504.08766v1
• Date: Tue, 01 Apr 2025 09:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-20 06:04:27.237225
• Title: Towards scientific machine learning for granular material simulations -- challenges and opportunities
• Title（参考訳）: きめ細かい材料シミュレーションのための科学機械学習を目指して -- 課題と機会
• Authors: Marc Fransen, Andreas Fürst, Deepak Tunuguntla, Daniel N. Wilke, Benedikt Alkin, Daniel Barreto, Johannes Brandstetter, Miguel Angel Cabrera, Xinyan Fan, Mengwu Guo, Bram Kieskamp, Krishna Kumar, John Morrissey, Jonathan Nuttall, Jin Ooi, Luisa Orozco, Stefanos-Aldo Papanicolopulos, Tongming Qu, Dingena Schott, Takayuki Shuku, WaiChing Sun, Thomas Weinhart, Dongwei Ye, Hongyang Cheng,
• Abstract要約: 粒状物質は粒状系の挙動を支配している。 粒子スケールシミュレーションはこれらの相互作用に関する洞察を与えるが、計算コストはしばしば禁止される。 このポジションペーパーは、最近のLorentz Center Workshop on "Machine Learning for Discrete Granular Media"から生まれた。
• 参考スコア（独自算出の注目度）: 7.865643764194596
• License:
• Abstract: Micro-scale mechanisms, such as inter-particle and particle-fluid interactions, govern the behaviour of granular systems. While particle-scale simulations provide detailed insights into these interactions, their computational cost is often prohibitive. Attended by researchers from both the granular materials (GM) and machine learning (ML) communities, a recent Lorentz Center Workshop on "Machine Learning for Discrete Granular Media" brought the ML community up to date with GM challenges. This position paper emerged from the workshop discussions. We define granular materials and identify seven key challenges that characterise their distinctive behaviour across various scales and regimes, ranging from gas-like to fluid-like and solid-like. Addressing these challenges is essential for developing robust and efficient digital twins for granular systems in various industrial applications. To showcase the potential of ML to the GM community, we present classical and emerging machine/deep learning techniques that have been, or could be, applied to granular materials. We reviewed sequence-based learning models for path-dependent constitutive behaviour, followed by encoder-decoder type models for representing high-dimensional data. We then explore graph neural networks and recent advances in neural operator learning. Lastly, we discuss model-order reduction and probabilistic learning techniques for high-dimensional parameterised systems, which are crucial for quantifying uncertainties arising from physics-based and data-driven models. We present a workflow aimed at unifying data structures and modelling pipelines and guiding readers through the selection, training, and deployment of ML surrogates for granular material simulations. Finally, we illustrate the workflow's practical use with two representative examples, focusing on granular materials in solid-like and fluid-like regimes.
• Abstract（参考訳）: 粒子間相互作用や粒子-流体相互作用のようなマイクロスケールのメカニズムは、粒状系の挙動を制御している。 粒子スケールシミュレーションはこれらの相互作用に関する詳細な洞察を提供するが、計算コストはしばしば禁じられている。 最近のLorentz Center Workshop on "Machine Learning for Discrete Granular Media"では、粒状材料(GM)と機械学習(ML)コミュニティの両方の研究者が、MLコミュニティにGMの課題を提起した。 このポジションペーパーはワークショップの議論から出てきた。 粒状物質を定義し, ガス様から流体状, 固体状に至るまで, 様々なスケールや体制において, それらの特異な挙動を特徴付ける7つの重要な課題を同定する。 これらの課題に対処することは、様々な産業用途において、粒状システムのための堅牢で効率的なデジタルツインを開発するために不可欠である。 機械学習の可能性をGMコミュニティに示すため、我々は古典的かつ新しい機械学習手法を、粒状材料に適用しうる、あるいは適用可能なものに提示した。 経路依存型構成行動のためのシーケンスベース学習モデルと高次元データを表すエンコーダ・デコーダ型モデルについて検討した。 次に、グラフニューラルネットワークと、ニューラル演算子学習の最近の進歩について検討する。 最後に,物理モデルおよびデータ駆動モデルから生じる不確かさの定量化に不可欠である高次元パラメータ化システムのモデル次減少と確率論的学習手法について論じる。 データ構造を統一し、パイプラインをモデル化し、詳細な材料シミュレーションのためのMLサロゲートの選択、トレーニング、デプロイを通じて読者を導くワークフローを提案する。 最後に, ソリッドライクな状態と流体ライクな状態における粒状物質に着目した2つの代表的な例を用いて, ワークフローの実用性について説明する。

関連論文リスト

• Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics [1.1510009152620668]
  機械学習の未調査の側面は、最小限の最適表現を開発する方法である。 我々の見解では、MLに基づくモデリングは、設計によって根本的に解釈可能な計算単位をベースとすべきである。 本研究では,比較的類似した分散状態ネットワークを用いて,物理的解釈可能性と予測性能を両立させることができることを示す。
  論文  参考訳（メタデータ） (2024-12-06T08:30:01Z)
• Machine Learning Aided Modeling of Granular Materials: A Review [3.8914237516698726]
  AIの幅広いカテゴリのサブセットとしての機械学習は、粒状材料の研究コミュニティでかなりの注目を集めている。 この研究は、粒状物質の機械学習支援研究における最近の進歩の詳細なレビューを提供する。 粒状物質の挙動を学習するための異なるニューラルネットワークをレビューし、比較する。 ニューラルネットワークと数値計算を組み合わせた実用工学・境界値問題のマクロシミュレーションについて論じる。
  論文  参考訳（メタデータ） (2024-10-18T15:53:04Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• CoDBench: A Critical Evaluation of Data-driven Models for Continuous Dynamical Systems [8.410938527671341]
  微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。 具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。 我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-02T21:27:54Z)
• Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
  レオロジー方程式は複雑な流体の内部応力と変形を関連づける。 データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。 複素流体の類似モデルの開発が遅れている。
  論文  参考訳（メタデータ） (2022-10-10T04:35:31Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Using machine-learning modelling to understand macroscopic dynamics in a system of coupled maps [0.0]
  本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。 我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。 我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
  論文  参考訳（メタデータ） (2020-11-08T15:38:12Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。