論文の概要: Enhancing Experimental Efficiency in Materials Design: A Comparative Study of Taguchi and Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2506.03910v1
• Date: Wed, 04 Jun 2025 13:04:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.332779
• Title: Enhancing Experimental Efficiency in Materials Design: A Comparative Study of Taguchi and Machine Learning Methods
• Title（参考訳）: 材料設計における実験効率の向上:田口と機械学習の比較研究
• Authors: Shyam Prabhu, P Akshay Kumar, Antov Selwinston, Pavan Taduvai, Shreya Bairi, Rohit Batra,
• Abstract要約: 材料設計の問題は、しばしば複数の変数を最適化し、完全な因子探索を非現実的に行う必要がある。 本研究では、機械学習(ML)メソッドがこれらの制限を克服するためにどのように使用できるかを実証する。 本稿では, 能動学習に基づくガウス過程回帰(GPR)モデルとタグチ法の性能を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Materials design problems often require optimizing multiple variables, rendering full factorial exploration impractical. Design of experiment (DOE) methods, such as Taguchi technique, are commonly used to efficiently sample the design space but they inherently lack the ability to capture non-linear dependency of process variables. In this work, we demonstrate how machine learning (ML) methods can be used to overcome these limitations. We compare the performance of Taguchi method against an active learning based Gaussian process regression (GPR) model in a wire arc additive manufacturing (WAAM) process to accurately predict aspects of bead geometry, including penetration depth, bead width, and height. While Taguchi method utilized a three-factor, five-level L25 orthogonal array to suggest weld parameters, the GPR model used an uncertainty-based exploration acquisition function coupled with latin hypercube sampling for initial training data. Accuracy and efficiency of both models was evaluated on 15 test cases, with GPR outperforming Taguchi in both metrics. This work applies to broader materials processing domain requiring efficient exploration of complex parameters.
• Abstract（参考訳）: 材料設計の問題は、しばしば複数の変数を最適化し、完全な因子探索を非現実的に行う必要がある。 田口技術のような実験手法(DOE)は設計空間を効率的にサンプリングするために一般的に用いられているが、本質的にはプロセス変数の非線形依存を捉える能力が欠如している。 本研究では、機械学習(ML)メソッドがこれらの制限を克服するためにどのように使用できるかを実証する。 電線アーク添加物製造(WAAM)プロセスにおける能動学習に基づくガウス過程回帰(GPR)モデルと田口法の性能を比較し, 浸透深度, ビーズ幅, 高さなどのビーズ形状を正確に予測する。 田口法では3要素5レベルL25直交アレイを用いて溶接パラメータを推定するのに対し,GPRモデルでは不確実性に基づく探索獲得関数とラテンハイパーキューブサンプリングを併用して初期トレーニングデータを得た。 両モデルの精度と効率を15の試験ケースで評価し,GPRは両指標とも田口より優れていた。 この研究は、複雑なパラメータの効率的な探索を必要とする幅広い材料処理領域に適用される。

関連論文リスト

• Generalized Tensor-based Parameter-Efficient Fine-Tuning via Lie Group Transformations [50.010924231754856]
  さまざまな下流タスクに事前訓練された基礎モデルを適用することは、人工知能のコアプラクティスである。 これを解決するために、LoRAのようなパラメータ効率細調整(PEFT)手法が登場し、研究の焦点となっている。 本稿では,行列型PEFT法を高次元パラメータ空間に拡張する一般化法を提案する。
  論文  参考訳（メタデータ） (2025-04-01T14:36:45Z)
• ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments [3.79377147545355]
  本稿では, 複雑な処理効果に対するランダム化試験を構築した。 このアプローチの重要な特徴は、フレキシブル機械学習(ML)モデルを使用することです。 このアプローチは、現代のMLツールの予測力とランダム化手順の有限サンプル妥当性を組み合わせる。
  論文  参考訳（メタデータ） (2025-01-13T22:14:58Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
  量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
  論文  参考訳（メタデータ） (2023-12-28T12:04:15Z)
• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Differential Property Prediction: A Machine Learning Approach to Experimental Design in Advanced Manufacturing [2.905624971705889]
  機械学習フレームワークである差分特性分類(DPC)を提案する。 DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。 実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
  論文  参考訳（メタデータ） (2021-12-03T02:51:15Z)

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。