論文の概要: Constructing material network representations for intelligent amorphous alloys design
- arxiv url: http://arxiv.org/abs/2507.16336v1
- Date: Tue, 22 Jul 2025 08:19:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:14.025187
- Title: Constructing material network representations for intelligent amorphous alloys design
- Title（参考訳）: インテリジェントアモルファス合金設計のための材料ネットワーク表現
- Authors: S. -Y. Zhang, J. Tian, S. -L. Liu, H. -M. Zhang, H. -Y. Bai, Y. -C. Hu, W. -H. Wang,
- Abstract要約: 本研究では,二元系および三元系アモルファス合金の発見を加速する材料ネットワークを提案する。
異なる年数で合成されたアモルファス合金を精査することにより, 動的材料ネットワークを構築し, 合金発見の歴史を追究する。
過去に設計されたいくつかの革新的な材料がネットワークにコード化されており、新しい合金設計を導く上での予測力を実証している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing high-performance amorphous alloys is demanding for various applications. But this process intensively relies on empirical laws and unlimited attempts. The high-cost and low-efficiency nature of the traditional strategies prevents effective sampling in the enormous material space. Here, we propose material networks to accelerate the discovery of binary and ternary amorphous alloys. The network topologies reveal hidden material candidates that were obscured by traditional tabular data representations. By scrutinizing the amorphous alloys synthesized in different years, we construct dynamical material networks to track the history of the alloy discovery. We find that some innovative materials designed in the past were encoded in the networks, demonstrating their predictive power in guiding new alloy design. These material networks show physical similarities with several real-world networks in our daily lives. Our findings pave a new way for intelligent materials design, especially for complex alloys.
- Abstract（参考訳）: 高性能アモルファス合金の設計は様々な用途に要求されている。
しかし、このプロセスは経験則や無制限の試みに大きく依存している。
従来の戦略の高コストかつ低効率な性質は、巨大な物質空間における効果的なサンプリングを防ぐ。
本稿では,二元系および三元系アモルファス合金の発見を加速する材料ネットワークを提案する。
ネットワークトポロジは、従来の表形式のデータ表現によって隠された隠された物質候補を明らかにする。
異なる年数で合成されたアモルファス合金を精査することにより, 動的材料ネットワークを構築し, 合金発見の歴史を追究する。
過去に設計されたいくつかの革新的な材料がネットワークにコード化されており、新しい合金設計を導く上での予測力を実証している。
これらの物質ネットワークは、日常生活におけるいくつかの現実世界のネットワークと物理的に類似している。
我々の発見は、特に複合合金において、インテリジェントな材料設計のための新しい方法である。
関連論文リスト
- Graph Learning Metallic Glass Discovery from Wikipedia [0.0]
材料ネットワーク表現からの高度なデータ学習を提案する。
ノード要素は言語モデルによってウィキペディアから符号化される。
さまざまな言語からのウィキペディアの埋め込みを用いて,素材設計における自然言語の能力を評価する。
論文 参考訳（メタデータ） (2025-07-22T08:30:03Z) - Materials Generation in the Era of Artificial Intelligence: A Comprehensive Survey [54.40267149907223]
材料は現代社会の基礎であり、エネルギー、エレクトロニクス、医療、交通、インフラの進歩を支えている。
高度に調整された特性を持つ新しい材料を発見・設計する能力は、世界的課題の解決に不可欠である。
データ駆動生成モデルは、事前定義された特性要件を満たす新しい材料を直接作成することによって、材料設計のための強力なツールを提供する。
論文 参考訳（メタデータ） (2025-05-22T08:33:21Z) - Inverse Materials Design by Large Language Model-Assisted Generative Framework [35.04390544440238]
AlloyGANは、Large Language Model (LLM) を利用したテキストマイニングと条件付き生成支援ネットワーク (CGAN) を統合したフレームワークである。
金属ガラスの場合、このフレームワークは実験から8%未満の差で熱力学特性を予測する。
生成AIをドメイン知識でブリッジすることで、A AlloyGANは、カスタマイズされた特性を持つ物質の発見を加速するスケーラブルなアプローチを提供する。
論文 参考訳（メタデータ） (2025-02-25T11:52:59Z) - Emerging Microelectronic Materials by Design: Navigating Combinatorial Design Space with Scarce and Dispersed Data [42.45821602529994]
材料設計には計算モデリングと機械学習が用いられている。
物理機構、第一原理計算のコスト、データの分散は、物理に基づく材料モデリングとデータ駆動材料モデリングの両方に課題をもたらす。
本稿では,これらの課題に対処し,材料設計を加速するために,データ駆動および物理に基づく手法を統合するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-23T05:06:19Z) - 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) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - A Hierarchical Architecture for Neural Materials [13.144139872006287]
我々は新しいレベルの精度を提供するニューラルな外観モデルを導入する。
インセプションベースのコアネットワーク構造は、複数のスケールで素材の外観をキャプチャする。
入力を周波数空間にエンコードし、勾配に基づく損失を導入し、学習フェーズの進行に適応させる。
論文 参考訳（メタデータ） (2023-07-19T17:00:45Z) - 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) - NeuMIP: Multi-Resolution Neural Materials [98.83749495351627]
NeuMIPは、さまざまなスケールでさまざまな材料外観を表現およびレンダリングするためのニューラルメソッドです。
従来のミップマップピラミッドを、完全に接続されたネットワークと組み合わせて、神経テクスチャのピラミッドに一般化する。
テッセルレーションを伴わずに複雑なパララックス効果を持つ材料をレンダリングできる新しい手法であるニューラルオフセットも導入する。
論文 参考訳（メタデータ） (2021-04-06T21:22:22Z) - 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。