論文の概要: High-fidelity Grain Growth Modeling: Leveraging Deep Learning for Fast Computations

• arxiv url: http://arxiv.org/abs/2505.05354v1
• Date: Thu, 08 May 2025 15:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.942219
• Title: High-fidelity Grain Growth Modeling: Leveraging Deep Learning for Fast Computations
• Title（参考訳）: 高忠実粒成長モデリング - 高速計算のためのディープラーニングの活用
• Authors: Pungponhavoan Tep, Marc Bernacki,
• Abstract要約: 我々は、進化的長期記憶ネットワークとオートエンコーダを組み合わせた機械学習フレームワークを導入し、穀物成長の進化を効率的に予測する。 その結果,我々の機械学習手法は,粒成長予測を最大 SI89 時間高速化することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grain growth simulation is crucial for predicting metallic material microstructure evolution during annealing and resulting final mechanical properties, but traditional partial differential equation-based methods are computationally expensive, creating bottlenecks in materials design and manufacturing. In this work, we introduce a machine learning framework that combines a Convolutional Long Short-Term Memory networks with an Autoencoder to efficiently predict grain growth evolution. Our approach captures both spatial and temporal aspects of grain evolution while encoding high-dimensional grain structure data into a compact latent space for pattern learning, enhanced by a novel composite loss function combining Mean Squared Error, Structural Similarity Index Measurement, and Boundary Preservation to maintain structural integrity of grain boundary topology of the prediction. Results demonstrated that our machine learning approach accelerates grain growth prediction by up to \SI{89}{\times} faster, reducing computation time from \SI{10}{\minute} to approximately \SI{10}{\second} while maintaining high-fidelity predictions. The best model (S-30-30) achieving a structural similarity score of \SI{86.71}{\percent} and mean grain size error of just \SI{0.07}{\percent}. All models accurately captured grain boundary topology, morphology, and size distributions. This approach enables rapid microstructural prediction for applications where conventional simulations are prohibitively time-consuming, potentially accelerating innovation in materials science and manufacturing.
• Abstract（参考訳）: 結晶成長シミュレーションは、アニール中の金属材料の微細構造変化を予測し、最終的な機械的特性をもたらすために重要であるが、従来の偏微分方程式に基づく手法は計算に高価であり、材料設計と製造のボトルネックを生み出している。 本研究では,畳み込み長短期記憶ネットワークとオートエンコーダを組み合わせた機械学習フレームワークを導入し,穀物成長の進化を効率的に予測する。 本手法は, 粒界トポロジーの構造的整合性を維持するために, 平均二乗誤差, 構造類似度指数測定, 境界保存を併用した新しい複合損失関数により強化された, 高次元結晶構造データをパターン学習のためのコンパクトな潜時空間に符号化しながら, 穀物の進化の空間的・時間的側面を捉える。 その結果, 機械学習手法は, 高忠実度予測を維持しつつ, 最大で最大で SI{89}{\times} の粒成長予測を高速化し, 計算時間を SI{10}{\minute} から 約 \SI{10}{\second} に短縮することを示した。 最良のモデル(S-30-30)は、構造類似度スコアが \SI{86.71}{\percent} で、粒径誤差が \SI{0.07}{\percent} である。 全てのモデルは、粒界位相、形態、サイズ分布を正確に捉えた。 このアプローチは、従来のシミュレーションが不当に時間がかかり、材料科学や製造におけるイノベーションを加速するアプリケーションに対して、迅速なミクロ構造予測を可能にする。

関連論文リスト

• Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction [0.5437050212139087]
  従来のシミュレーション手法は、複雑な偏微分方程式を微細分解で解く必要があるため高価である。 本稿では, 高精度を維持しつつ, 微構造進化予測を管理する深層学習フレームワークを提案する。 繰り返しニューラルネットワークと比較して、トレーニングと推論の両方において計算コストを大幅に削減した、最先端の予測性能をモデル化した。
  論文  参考訳（メタデータ） (2026-02-23T14:55:28Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data [0.0]
  CuNi合金シミュレーションから得られた結晶配向色トモグラフ画像は、まずオートエンコーダを通して32次元のグローバル特徴ベクトルに圧縮された。 再構成された画像は、最良欠陥のみを省略しつつ、粒界、積み重ね断層、双生児、部分格子回転といった重要なミクロ構造モチーフを保持していた。 支配的な変形パターンを予測するCNN-MLPモデルは、検証データに対して約96%の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-12-05T15:39:13Z)
• Scaling Kinetic Monte-Carlo Simulations of Grain Growth with Combined Convolutional and Graph Neural Networks [3.4003175225909015]
  グラフニューラルネットワーク(GNN)は、穀物成長などのシミュレーションをシミュレートするための有望な機械学習手法として登場した。 本稿では、畳み込みニューラルネットワーク(CNN)をベースとしたオートエンコーダと、潜伏空間の微細構造を進化させるGNNを組み合わせたハイブリッドアーキテクチャを提案する。 その結果、新しい設計は、メッセージパッシング層を減らして計算コストを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2025-11-22T00:18:03Z)
• Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models [0.9558392439655014]
  結晶成長は材料の機械的挙動に強く影響を与え、その予測がミクロ構造工学の重要な目的となっている。 本研究では、リカレントニューラルネットワーク(RNN)、長期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマーなど、いくつかのディープラーニングアプローチを評価した。 LSTMネットワークは高い精度(90%以上)と最も安定した性能を達成し、拡張水平線上での物理的に一貫した予測を維持した。
  論文  参考訳（メタデータ） (2025-11-07T18:29:42Z)
• Scaling Collapse Reveals Universal Dynamics in Compute-Optimally Trained Neural Networks [59.552873049024775]
  計算最適化モデルでは, 極めて高精度な普遍性を示すことを示す。 学習速度が減衰すると、崩壊は非常に厳しくなり、モデル間の正規化曲線の差はノイズフロアより下になる。 これらの現象は、典型的なニューラルスケーリング法則において、崩壊とパワー・ロー構造を結びつけることによって説明される。
  論文  参考訳（メタデータ） (2025-07-02T20:03:34Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• Hybrid machine learning based scale bridging framework for permeability prediction of fibrous structures [0.0]
  本研究では,繊維状繊維構造の透水性を予測するための,ハイブリッド機械学習に基づくスケールブリジングフレームワークを提案する。 SSM(Single Scale Method)、SUM(Simple Upscaling Method)、SBM(Scale-Bridging Method)、FRM(Fully Resolved Model)の4つの手法が評価された。
  論文  参考訳（メタデータ） (2025-02-07T16:09:25Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic Anomalies [0.0]
  地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。 本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。 モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
  論文  参考訳（メタデータ） (2023-11-19T23:20:16Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Neural Network Accelerated Process Design of Polycrystalline Microstructures [23.897115046430635]
  物理拡散制約を用いたニューラルネットワーク(NN)による微細構造進化予測手法を開発した。 本研究では,銅の均一化剛性を最大化するためにNN法を適用した。 従来の有限要素シミュレータと比較して均質化剛性は0.053%の誤差で686倍高速であることがわかった。
  論文  参考訳（メタデータ） (2023-04-11T20:35:29Z)
• Deep-learning-based prediction of nanoparticle phase transitions during in situ transmission electron microscopy [3.613625739845355]
  我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。 この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。 新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
  論文  参考訳（メタデータ） (2022-05-23T15:50:24Z)
• Graph convolutional network for predicting abnormal grain growth in Monte Carlo simulations of microstructural evolution [0.0]
  我々は異常粒成長のモンテカルロシミュレーションの大規模なデータセットを生成する。 簡単なグラフ畳み込みネットワークをトレーニングし、どの初期構造が異常な粒成長を示すかを予測する。 グラフニューラルネットワークはコンピュータビジョン法より優れており、予測精度は73%、偽陽性は少ない。
  論文  参考訳（メタデータ） (2021-10-18T13:50:43Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)

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。