論文の概要: evoxels: A differentiable physics framework for voxel-based microstructure simulations

• arxiv url: http://arxiv.org/abs/2507.21748v1
• Date: Tue, 29 Jul 2025 12:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.251014
• Title: evoxels: A differentiable physics framework for voxel-based microstructure simulations
• Title（参考訳）: ボクセルに基づく微細構造シミュレーションのための微分可能な物理フレームワーク
• Authors: Simon Daubner, Alexander E. Cohen, Benjamin Dörich, Samuel J. Cooper,
• Abstract要約: 微分可能な物理フレームワークであるevoxelsは、完全にPythonで統一されたボクセルベースのアプローチに基づいており、セグメント化された3D顕微鏡データ、物理シミュレーション、逆モデリング、機械学習を統合している。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Materials science inherently spans disciplines: experimentalists use advanced microscopy to uncover micro- and nanoscale structure, while theorists and computational scientists develop models that link processing, structure, and properties. Bridging these domains is essential for inverse material design where you start from desired performance and work backwards to optimal microstructures and manufacturing routes. Integrating high-resolution imaging with predictive simulations and data-driven optimization accelerates discovery and deepens understanding of process-structure-property relationships. The differentiable physics framework evoxels is based on a fully Pythonic, unified voxel-based approach that integrates segmented 3D microscopy data, physical simulations, inverse modeling, and machine learning.
• Abstract（参考訳）: 実験者は微細構造やナノ構造を明らかにするために高度な顕微鏡を使い、理論家や計算科学者は処理、構造、特性を結びつけるモデルを開発する。 これらのドメインをブリッジすることは、望ましいパフォーマンスから始まり、最適なミクロ構造や製造ルートまで遡る逆材料設計に不可欠です。 高解像度イメージングと予測シミュレーションとデータ駆動最適化を統合することで、発見を加速し、プロセス-構造-プロパティ関係の理解を深める。 微分可能な物理フレームワークであるevoxelsは、完全にPythonで統一されたボクセルベースのアプローチに基づいており、セグメント化された3D顕微鏡データ、物理シミュレーション、逆モデリング、機械学習を統合している。

関連論文リスト

• Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation [0.0]
  位相場モデルは微細構造の進化を正確にシミュレートするが、複雑な微分方程式の解法に依存するため計算コストがかかる。 この研究は、立方体スプライン補間と球面線形補間(SLERP)を組み合わせた変分オートエンコーダ(CVAE)を利用して、新しいディープラーニングベースのフレームワークを通じて大きな加速を実現する。 本研究では, 中間合金組成の微細構造変化を, 限られたトレーニング組成から予測し, 二元系スピノダル分解の手法を実証する。
  論文  参考訳（メタデータ） (2025-08-03T16:22:15Z)
• Deep learning-aided inverse design of porous metamaterials [0.0]
  この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。 本研究では, 特性変化型オートエンコーダ (pVAE) と回帰器を付加した可変型オートエンコーダ (VAE) を開発した。
  論文  参考訳（メタデータ） (2025-07-23T20:07:53Z)
• Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling [0.0]
  多孔質媒体の3次元微細構造は、有効拡散率や透過性を含む結果のマクロな性質に大きな影響を及ぼす。 多孔質媒体の性能を最適化するためには, 定量的構造・物性関係が重要である。 本論文は文献から得られた多孔質媒体の90,000個の仮想的な3次元微細構造を用いる。 このデータセットにハイブリッドAIフレームワークを適用することで,これらの知見を拡張した。
  論文  参考訳（メタデータ） (2025-03-27T14:46:40Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• A robust synthetic data generation framework for machine learning in High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
  Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。 ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。 この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
  論文  参考訳（メタデータ） (2023-09-12T10:44:15Z)
• Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties [0.0]
  いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。 材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
  論文  参考訳（メタデータ） (2023-09-01T07:29:44Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)

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。