論文の概要: Latent Representation Learning of Multi-scale Thermophysics: Application to Dynamics in Shocked Porous Energetic Material

• arxiv url: http://arxiv.org/abs/2506.12996v1
• Date: Sun, 15 Jun 2025 23:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.282776
• Title: Latent Representation Learning of Multi-scale Thermophysics: Application to Dynamics in Shocked Porous Energetic Material
• Title（参考訳）: マルチスケール熱物理学の潜在表現学習:衝撃多孔質エネルギー材料のダイナミクスへの応用
• Authors: Shahab Azarfar, Joseph B. Choi, Phong CH. Nguyen, Yen T. Nguyen, Pradeep Seshadri, H. S. Udaykumar, Stephen Baek,
• Abstract要約: 本稿では,自然言語処理におけるトークン化の考え方を動機としたメタラーニング手法を提案する。 メソスケールの学習過程を加速するために,マイクロスケール物理の表現の縮小を学習できることが示される。 提案手法は,小規模なメソスケールデータセット上での安価なマイクロスケールシミュレーションと高速トレーニングを活用することで,クロージャモデルの開発を加速する。
• 参考スコア（独自算出の注目度）: 0.05057680722486273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coupling of physics across length and time scales plays an important role in the response of microstructured materials to external loads. In a multi-scale framework, unresolved (subgrid) meso-scale dynamics is upscaled to the homogenized (macro-scale) representation of the heterogeneous material through closure models. Deep learning models trained using meso-scale simulation data are now a popular route to assimilate such closure laws. However, meso-scale simulations are computationally taxing, posing practical challenges in training deep learning-based surrogate models from scratch. In this work, we investigate an alternative meta-learning approach motivated by the idea of tokenization in natural language processing. We show that one can learn a reduced representation of the micro-scale physics to accelerate the meso-scale learning process by tokenizing the meso-scale evolution of the physical fields involved in an archetypal, albeit complex, reactive dynamics problem, \textit{viz.}, shock-induced energy localization in a porous energetic material. A probabilistic latent representation of \textit{micro}-scale dynamics is learned as building blocks for \textit{meso}-scale dynamics. The \textit{meso-}scale latent dynamics model learns the correlation between neighboring building blocks by training over a small dataset of meso-scale simulations. We compare the performance of our model with a physics-aware recurrent convolutional neural network (PARC) trained only on the full meso-scale dataset. We demonstrate that our model can outperform PARC with scarce meso-scale data. The proposed approach accelerates the development of closure models by leveraging inexpensive micro-scale simulations and fast training over a small meso-scale dataset, and can be applied to a range of multi-scale modeling problems.
• Abstract（参考訳）: 長さと時間スケールをまたいだ物理学の結合は、外部の荷重に対するミクロ構造材料の応答において重要な役割を担っている。 マルチスケールのフレームワークでは、未解決(サブグリッド)メソスケールの力学は閉包モデルを通して異種物質の均質化(マクロスケール)表現にスケールアップされる。 メソスケールシミュレーションデータを用いて訓練されたディープラーニングモデルは、そのようなクロージャ法則を同化するための一般的な方法となっている。 しかし、メソスケールシミュレーションは計算的課税であり、深層学習に基づく代理モデルをゼロから訓練する実践的な課題を生んでいる。 本研究では,自然言語処理におけるトークン化の考え方に動機づけられたメタラーニング手法について検討する。 本研究では, メソスケールの学習過程を加速するために, メソスケールのメソスケールの進化をトークン化することにより, マイクロスケール物理の表現を減らし, メソスケールの学習過程を加速させることができることを示す。 衝撃による多孔質エネルギー物質のエネルギー局在 textit{micro}-scale dynamics の確率的潜在表現は \textit{meso}-scale dynamics のビルディングブロックとして学習される。 メソスケールシミュレーションの小さなデータセット上でのトレーニングにより, 隣接するビルディングブロック間の相関関係を学習する。 我々は,本モデルの性能を,メソスケールの完全なデータセットでのみトレーニングされた物理認識型再帰畳み込みニューラルネットワーク(PARC)と比較した。 我々のモデルはメソスケールの少ないデータでPARCより優れていることを実証する。 提案手法は,小規模なメソスケールデータセット上での安価なマイクロスケールシミュレーションと高速トレーニングを活用してクロージャモデルの開発を加速し,マルチスケールのモデリング問題に適用できる。

関連論文リスト

• Learning to Walk from Three Minutes of Real-World Data with Semi-structured Dynamics Models [9.318262213262866]
  コンタクトリッチシステムのための半構造化力学モデルを学習するための新しいフレームワークを提案する。 我々は,従来の手法よりもはるかに少ないデータで高精度な長距離予測を行う。 実世界のUnitree Go1四足歩行ロボットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-10-11T18:11:21Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• 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。