論文の概要: Unified machine-learning framework for property prediction and time-evolution simulation of strained alloy microstructure

• arxiv url: http://arxiv.org/abs/2507.21760v1
• Date: Tue, 29 Jul 2025 12:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.263743
• Title: Unified machine-learning framework for property prediction and time-evolution simulation of strained alloy microstructure
• Title（参考訳）: ひずみした合金の組織における特性予測と時間進化シミュレーションのための統一機械学習フレームワーク
• Authors: Andrea Fantasia, Daniele Lanzoni, Niccolò Di Eugenio, Angelo Monteleone, Roberto Bergamaschini, Francesco Montalenti,
• Abstract要約: 本研究では, 弾性場の影響下での合金構造物の時間的進化に対処するために, 統一的な機械学習フレームワークを導入する。 このアプローチは、短い軌道から弾性パラメータを同時に抽出し、その影響下でのさらなる微細構造進化の予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a unified machine-learning framework designed to conveniently tackle the temporal evolution of alloy microstructures under the influence of an elastic field. This approach allows for the simultaneous extraction of elastic parameters from a short trajectory and for the prediction of further microstructure evolution under their influence. This is demonstrated by focusing on spinodal decomposition in the presence of a lattice mismatch eta, and by carrying out an extensive comparison between the ground-truth evolution supplied by phase field simulations and the predictions of suitable convolutional recurrent neural network architectures. The two tasks may then be performed subsequently into a cascade framework. Under a wide spectrum of misfit conditions, the here-presented cascade model accurately predicts eta and the full corresponding microstructure evolution, also when approaching critical conditions for spinodal decomposition. Scalability to larger computational domain sizes and mild extrapolation errors in time (for time sequences five times longer than the sampled ones during training) are demonstrated. The proposed framework is general and can be applied beyond the specific, prototypical system considered here as an example. Intriguingly, experimental videos could be used to infer unknown external parameters, prior to simulating further temporal evolution.
• Abstract（参考訳）: 本研究では, 弾性場の影響下での合金構造物の時間的進化に便利な統合機械学習フレームワークを提案する。 このアプローチは、短い軌道から弾性パラメータを同時に抽出し、その影響下でのさらなる微細構造進化の予測を可能にする。 これは,格子ミスマッチetaの存在下でのスピノダル分解に着目し,位相場シミュレーションによって供給される地中構造と適切な畳み込みリカレントニューラルネットワークアーキテクチャの予測との広範な比較を行うことによって実証された。 次に2つのタスクをカスケードフレームワークで実行することができる。 幅広い不適合条件下では、この表されたカスケードモデルは、スピノーダル分解の臨界条件に近づく際にも、etaとそれに対応する完全な微細構造の進化を正確に予測する。 より大きな計算領域サイズへのスケーラビリティと時間(トレーニング中のサンプルドメインの5倍の時間列)での軽度の外挿誤差が示される。 提案するフレームワークは汎用的であり, 例として, 具体的, 原型的システムを超えて適用することができる。 興味深いことに、実験ビデオは、さらなる時間的進化をシミュレートする前に、未知の外部パラメータを推測するために使用することができる。

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)
• Towards Space Group Determination from EBSD Patterns: The Role of Deep Learning and High-throughput Dynamical Simulations [0.7154115167845776]
  深層学習法は、パターンを入力として、空間群対称性を分類することができる。 ニューラルネットワークは、背景修正EBSDパターンの空間群型を予測するために訓練された。 我々は,シミュレーションおよび実験データにおいて,90%以上の精度のスコアを得られたモデルを実現するためのレザベリング手法を提案する。
  論文  参考訳（メタデータ） (2025-04-30T05:36:31Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。 伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。 本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [41.50816120270017]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Deep-learning-based prediction of nanoparticle phase transitions during in situ transmission electron microscopy [3.613625739845355]
  我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。 この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。 新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
  論文  参考訳（メタデータ） (2022-05-23T15:50:24Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Entanglement and correlations in fast collective neutrino flavor oscillations [68.8204255655161]
  集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。 高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。 我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
  論文  参考訳（メタデータ） (2022-03-05T17:00:06Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Trotter errors from dynamical structural instabilities of Floquet maps in quantum simulation [0.0]
  長距離多体相互作用を持つスピン系の量子シミュレーションにおける誤差の挙動について検討する。 我々は、シミュレーションステップサイズが小さければ、トロッター分解の根底にあるフロケ演算子が急激な変化を起こす仕組みを同定する。
  論文  参考訳（メタデータ） (2021-10-07T15:41:20Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。