論文の概要: PolyMicros: Bootstrapping a Foundation Model for Polycrystalline Material Structure

• arxiv url: http://arxiv.org/abs/2506.11055v1
• Date: Thu, 22 May 2025 16:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.524098
• Title: PolyMicros: Bootstrapping a Foundation Model for Polycrystalline Material Structure
• Title（参考訳）: ポリミクロス:多結晶構造の基礎モデル
• Authors: Michael Buzzy, Andreas Robertson, Peng Chen, Surya Kalidindi,
• Abstract要約: 科学領域における超スパースで複雑な空間データから学習するための新しい機械学習手法を提案する。 私たちのコアコントリビューションは、局所生成モデルのアンサンブルを利用する物理駆動型データ拡張スキームです。 我々は, この枠組みを用いて, ポリ結晶材料の基礎モデルであるポリマイクロスを構築した。
• 参考スコア（独自算出の注目度）: 2.030250820529959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Foundation Models for Materials Science are poised to revolutionize the discovery, manufacture, and design of novel materials with tailored properties and responses. Although great strides have been made, successes have been restricted to materials classes where multi-million sample data repositories can be readily curated (e.g., atomistic structures). Unfortunately, for many structural and functional materials (e.g., mesoscale structured metal alloys), such datasets are too costly or prohibitive to construct; instead, datasets are limited to very few examples. To address this challenge, we introduce a novel machine learning approach for learning from hyper-sparse, complex spatial data in scientific domains. Our core contribution is a physics-driven data augmentation scheme that leverages an ensemble of local generative models, trained on as few as five experimental observations, and coordinates them through a novel diversity curation strategy to generate a large-scale, physically diverse dataset. We utilize this framework to construct PolyMicros, the first Foundation Model for polycrystalline materials (a structural material class important across a broad range of industrial and scientific applications). We demonstrate the utility of PolyMicros by zero-shot solving several long standing challenges related to accelerating 3D experimental microscopy. Finally, we make both our models and datasets openly available to the community.
• Abstract（参考訳）: 材料科学の基礎モデルにおける最近の進歩は、調整された特性と応答を持つ新素材の発見、製造、設計に革命をもたらす可能性がある。 大きな進歩を遂げたものの、成功は数百万のサンプルデータレポジトリを簡単にキュレーションできる材料クラス(例えば、原子構造)に限定されている。 残念なことに、多くの構造的および機能的材料(例えばメソスケール構造金属合金)では、そのようなデータセットはコストがかかりすぎるか、建設が禁じられている。 この課題に対処するために、科学領域における超スパースで複雑な空間データから学習するための新しい機械学習アプローチを導入する。 私たちのコアコントリビューションは、物理駆動によるデータ拡張スキームで、ローカルな生成モデルのアンサンブルを利用して、最大5つの実験観測に基づいて訓練し、それらを新しい多様性のキュレーション戦略によって調整し、大規模で物理的に多様なデータセットを生成する。 この枠組みを利用して、多結晶材料のための最初の基礎モデルであるポリマイクロス(幅広い産業・科学分野において重要な構造材料クラス)を構築する。 我々は3次元実験顕微鏡の高速化に関連する長期的課題をゼロショットで解くことで,ポリマイクロスの有用性を実証する。 最後に、私たちのモデルとデータセットの両方を、コミュニティに公開しています。

関連論文リスト

• MatterTune: An Integrated, User-Friendly Platform for Fine-Tuning Atomistic Foundation Models to Accelerate Materials Simulation and Discovery [7.1240120153291535]
  MatterTuneは、高度な微調整機能を提供し、原子論の基礎モデルを下流の材料情報とシミュレーションにシームレスに統合するフレームワークである。 MatterTuneはORB、MatterSim、JMP、EquformerV2といった最先端の基礎モデルをサポートしている。
  論文  参考訳（メタデータ） (2025-04-14T19:12:43Z)
• UniMat: Unifying Materials Embeddings through Multi-modal Learning [0.0]
  材料科学における最も重要なモダリティを統一する上で,多モーダル学習(アライメントと融合)の手法を評価する。 構造グラフのモダリティはXRDパターンと整合することで向上できることを示す。 また、XRDパターンやコンポジションなどの実験的に利用できるデータフォーマットの整列と融合により、より堅牢な関節埋め込みが実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-13T14:55:08Z)
• Foundation Model for Composite Microstructures: Reconstruction, Stiffness, and Nonlinear Behavior Prediction [0.0]
  複合材料に特化して設計された基礎モデルを提案する。 本研究は, 複合材料における基礎モデルの有効性と有効性について検証した。 このフレームワークは実験データが少ない場合でも高精度な予測を可能にする。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Intelligent multiscale simulation based on process-guided composite database [0.0]
  本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。 我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
  論文  参考訳（メタデータ） (2020-03-20T20:39:19Z)

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。