論文の概要: GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data

• arxiv url: http://arxiv.org/abs/2506.12051v1
• Date: Wed, 28 May 2025 18:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.609201
• Title: GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data
• Title（参考訳）: GUST:小データを用いたメタマテリアルの自由形幾何学的不確かさの定量化
• Authors: Jiahui Zheng, Cole Jahnke, Wei "Wayne" Chen,
• Abstract要約: GUST (Generative Uncertainty Learning via Self-supervised pretraining and Transfer Learning) は、メタマテリアルの製造に固有の自由形式の幾何学的不確実性を定量化するフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces GUST (Generative Uncertainty learning via Self-supervised pretraining and Transfer learning), a framework for quantifying free-form geometric uncertainties inherent in the manufacturing of metamaterials. GUST leverages the representational power of deep generative models to learn a high-dimensional conditional distribution of as-fabricated unit cell geometries given nominal designs, thereby enabling uncertainty quantification. To address the scarcity of real-world manufacturing data, GUST employs a two-stage learning process. First, it leverages self-supervised pretraining on a large-scale synthetic dataset to capture the structure variability inherent in metamaterial geometries and an approximated distribution of as-fabricated geometries given nominal designs. Subsequently, GUST employs transfer learning by fine-tuning the pretrained model on limited real-world manufacturing data, allowing it to adapt to specific manufacturing processes and nominal designs. With only 960 unit cells additively manufactured in only two passes, GUST can capture the variability in geometry and effective material properties. In contrast, directly training a generative model on the same amount of real-world data proves insufficient, as demonstrated through both qualitative and quantitative comparisons. This scalable and cost-effective approach significantly reduces data requirements while maintaining the effectiveness in learning complex, real-world geometric uncertainties, offering an affordable method for free-form geometric uncertainty quantification in the manufacturing of metamaterials. The capabilities of GUST hold significant promise for high-precision industries such as aerospace and biomedical engineering, where understanding and mitigating manufacturing uncertainties are critical.
• Abstract（参考訳）: 本稿では,メタマテリアルの製造に係わる自由形式の幾何学的不確実性を定量化するフレームワークであるGUST(Self-supervised pretraining and Transfer Learning)を紹介する。 GUSTは、深層生成モデルの表現力を利用して、名目上の設計を与えられたAs-fabricated Unit cell geometriesの高次元条件分布を学習し、不確実な定量化を可能にする。 実世界の製造業データの不足に対処するため、GUSTは2段階の学習プロセスを採用している。 第一に、大規模合成データセットによる自己教師付き事前トレーニングを活用して、メタマテリアルジオメトリーに固有の構造変数と、命名的設計を与えられたアスファブレーションされたジオメトリーの近似分布をキャプチャする。 その後、GUSTは、限られた実世界の製造データに基づいて事前訓練されたモデルを微調整し、特定の製造プロセスや名目設計に適応させることで、トランスファーラーニングを採用する。 わずか960個の単位セルのみを2つのパスで追加生産することで、GUSTは幾何学的および効果的な材料特性の変動を捉えることができる。 対照的に、同じ実世界のデータに対して生成モデルを直接訓練することは、質的比較と量的比較の両方で示されるように不十分である。 このスケーラブルで費用対効果の高いアプローチは、複雑な実世界の幾何的不確実性を学ぶ上での有効性を維持しながら、データ要求を著しく削減し、メタマテリアルの製造において、自由形式の幾何的不確実性定量化のための安価な方法を提供する。 GUSTの能力は、航空宇宙やバイオメディカルエンジニアリングなど、製造の不確実性の理解と緩和が重要となる高精度な産業にとって大きな可能性を秘めている。

関連論文リスト

• LaDEEP: A Deep Learning-based Surrogate Model for Large Deformation of Elastic-Plastic Solids [21.697159152687288]
  我々は,textbfElastic-textbfPlastic SolidsのtextbfLarge textbfDeformationのためのディープラーニングに基づく代理モデルであるLaDEEPを紹介する。 固体変形の物理的過程を特徴付けるため、2段トランスフォーマーベースのモジュールはトークン列を入力として変形を予測するように設計されている。 LaDEEPは有限要素法よりも5桁高速で、他のディープラーニングのベースラインと比べて平均20.47%向上している。
  論文  参考訳（メタデータ） (2025-06-06T11:47:37Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• 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)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• 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)
• Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
  基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。 しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。 ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
  論文  参考訳（メタデータ） (2023-08-24T21:41:29Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Leveraging Industry 4.0 -- Deep Learning, Surrogate Model and Transfer Learning with Uncertainty Quantification Incorporated into Digital Twin for Nuclear System [2.530807828621263]
  IoT(Internet of Things)と機械学習(ML)の出現により、サロゲートモデリングの概念はさらに有効になった。 この章は、代理モデリング、トランスファーラーニング、IoT、デジタルツインという概念の概要から始まる。 その後、デジタルツインに関連付けられた代理モデルに対する不確実性、不確実性定量化フレームワーク、および不確実性定量化手法の詳細について概説する。
  論文  参考訳（メタデータ） (2022-09-30T20:19:04Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• 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。