論文の概要: Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys

• arxiv url: http://arxiv.org/abs/2506.20839v1
• Date: Wed, 25 Jun 2025 21:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.891273
• Title: Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
• Title（参考訳）: FCC合金の転位塑性と応力-ひずみ応答予測のための不確実性を考慮した機械学習フレームワーク
• Authors: Jing Luo, Yejun Gu, Yanfei Wang, Xiaolong Ma, Jaafar. A El-Awady,
• Abstract要約: 機械学習は構造材料の理解と応用を著しく進歩させてきた。 本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。 これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
• 参考スコア（独自算出の注目度）: 9.066691897904875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has significantly advanced the understanding and application of structural materials, with an increasing emphasis on integrating existing data and quantifying uncertainties in predictive modeling. This study presents a comprehensive methodology utilizing a mixed density network (MDN) model, trained on extensive experimental data from literature. This approach uniquely predicts the distribution of dislocation density, inferred as a latent variable, and the resulting stress distribution at the grain level. The incorporation of statistical parameters of those predicted distributions into a dislocation-mediated plasticity model allows for accurate stress-strain predictions with explicit uncertainty quantification. This strategy not only improves the accuracy and reliability of mechanical property predictions but also plays a vital role in optimizing alloy design, thereby facilitating the development of new materials in a rapidly evolving industry.
• Abstract（参考訳）: 機械学習は構造材料の理解と応用を大幅に進歩させ、既存のデータの統合と予測モデリングにおける不確実性の定量化に重点を置いている。 本研究では,文献からの広範な実験データに基づいて学習した混合密度ネットワーク(MDN)モデルを用いた包括的方法論を提案する。 このアプローチは、潜伏変数として推定される転位密度の分布と、粒度における結果の応力分布を一意に予測する。 これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、明確な不確実性定量化を伴う正確な応力-ひずみ予測が可能になる。 この戦略は, 機械的特性予測の精度と信頼性を向上させるだけでなく, 合金設計の最適化にも重要な役割を担っている。

関連論文リスト

• Re-experiment Smart: a Novel Method to Enhance Data-driven Prediction of Mechanical Properties of Epoxy Polymers [2.1389836877212347]
  本稿では, 信頼性の低い外乱ケースを選択的に再実験することで, データセット品質を効率的に向上する手法を提案する。 提案手法は, 予測誤差(RMSE)を確実に低減し, 最小限の実験作業で精度を向上し, 再測定に必要なデータセットの約5%しか必要としない。
  論文  参考訳（メタデータ） (2025-05-19T04:42:18Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Towards Understanding Variants of Invariant Risk Minimization through the Lens of Calibration [0.6906005491572401]
  本稿では,Information BottleneckをベースとしたITMが,異なる環境における一貫したキャリブレーションを実現することを示す。 私たちの経験的証拠は、環境全体にわたって一貫した校正を示すモデルも十分に校正されていることを示している。
  論文  参考訳（メタデータ） (2024-01-31T02:08:43Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Calibrated Uncertainty for Molecular Property Prediction using Ensembles of Message Passing Neural Networks [11.47132155400871]
  我々は、分子や物質の特性を予測するために特別に設計されたメッセージパッシングニューラルネットワークを拡張した。 その結果,分子生成エネルギーのキャリブレーションの不確実性を考慮した予測モデルが得られた。
  論文  参考訳（メタデータ） (2021-07-13T13:28:11Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。