論文の概要: A Foundation Model for Material Fracture Prediction
- arxiv url: http://arxiv.org/abs/2507.23077v1
- Date: Wed, 30 Jul 2025 20:23:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.705729
- Title: A Foundation Model for Material Fracture Prediction
- Title(参考訳): 材料破壊予測の基礎モデル
- Authors: Agnese Marcato, Aleksandra Pachalieva, Ryley G. Hill, Kai Gao, Xiaoyu Wang, Esteban Rougier, Zhou Lei, Vinamra Agrawal, Janel Chua, Qinjun Kang, Jeffrey D. Hyman, Abigail Hunter, Nathan DeBardeleben, Earl Lawrence, Hari Viswanathan, Daniel O'Malley, Javier E. Santos,
- Abstract要約: フラクチャー予測のためのデータ駆動基礎モデルを提案する。
シミュレーター、幅広い材料、様々な負荷条件で作動する。
さまざまな下流タスクに関する最小限のデータで微調整できる。
- 参考スコア(独自算出の注目度): 37.06207593775499
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting when and how materials fail is critical to designing safe, reliable structures, mechanical systems, and engineered components that operate under stress. Yet, fracture behavior remains difficult to model across the diversity of materials, geometries, and loading conditions in real-world applications. While machine learning (ML) methods show promise, most models are trained on narrow datasets, lack robustness, and struggle to generalize. Meanwhile, physics-based simulators offer high-fidelity predictions but are fragmented across specialized methods and require substantial high-performance computing resources to explore the input space. To address these limitations, we present a data-driven foundation model for fracture prediction, a transformer-based architecture that operates across simulators, a wide range of materials (including plastic-bonded explosives, steel, aluminum, shale, and tungsten), and diverse loading conditions. The model supports both structured and unstructured meshes, combining them with large language model embeddings of textual input decks specifying material properties, boundary conditions, and solver settings. This multimodal input design enables flexible adaptation across simulation scenarios without changes to the model architecture. The trained model can be fine-tuned with minimal data on diverse downstream tasks, including time-to-failure estimation, modeling fracture evolution, and adapting to combined finite-discrete element method simulations. It also generalizes to unseen materials such as titanium and concrete, requiring as few as a single sample, dramatically reducing data needs compared to standard ML. Our results show that fracture prediction can be unified under a single model architecture, offering a scalable, extensible alternative to simulator-specific workflows.
- Abstract(参考訳): 安全で信頼性の高い構造、機械システム、ストレス下で機能するエンジニアリングコンポーネントを設計するために、材料がいつ、どのように失敗するかを正確に予測する。
しかし、実際の応用において、材料、測地、および載荷条件の多様性をモデル化することは依然として困難である。
機械学習(ML)メソッドは将来性を示すが、ほとんどのモデルは狭いデータセットでトレーニングされており、堅牢性に欠け、一般化に苦慮している。
一方、物理ベースのシミュレータは、高忠実性予測を提供するが、特殊な手法で断片化されており、入力空間を探索するためにはかなりの高性能な計算資源を必要とする。
これらの制約に対処するため, フラクチャー予測のためのデータ駆動基礎モデル, シミュレータを横断するトランスフォーマーベースアーキテクチャ, 幅広い材料(プラスチックボンド爆薬, 鋼, アルミニウム, シェール, タングステンなど), 多様な負荷条件について述べる。
このモデルは構造化メッシュと非構造化メッシュの両方をサポートし、材料特性、境界条件、ソルバ設定を指定するテキスト入力デッキの大規模な言語モデル埋め込みと組み合わせる。
このマルチモーダル入力設計は、モデルアーキテクチャを変更することなく、シミュレーションシナリオ間で柔軟な適応を可能にする。
トレーニングされたモデルは、タイム・トゥ・フェイル推定、フラクチャーのモデル化、有限離散要素法シミュレーションへの適応など、さまざまな下流タスクに関する最小限のデータで微調整することができる。
また、チタンやコンクリートのような目に見えない材料に一般化し、単一のサンプルしか必要とせず、標準のMLと比べてデータの必要性を劇的に減らす。
この結果から, フラクチャー予測は単一モデルアーキテクチャの下で統一され, シミュレータ固有のワークフローに代わるスケーラブルで拡張可能な代替手段が提供されることがわかった。
関連論文リスト
- Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。
このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。
本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
論文 参考訳(メタデータ) (2025-07-09T19:14:56Z) - Latent Representation Learning of Multi-scale Thermophysics: Application to Dynamics in Shocked Porous Energetic Material [0.05057680722486273]
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。
論文 参考訳(メタデータ) (2025-06-15T23:28:33Z) - A Benchmark Time Series Dataset for Semiconductor Fabrication Manufacturing Constructed using Component-based Discrete-Event Simulation Models [0.0]
この研究はIntel半導体製造工場のベンチマークモデルに基づいている。
時系列データセットは離散時間軌道を用いて構築される。
データセットは、機械学習コミュニティで行動分析に利用することもできる。
論文 参考訳(メタデータ) (2024-08-17T23:05:47Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - 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) - Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。
a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。
ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
論文 参考訳(メタデータ) (2023-01-31T06:55:19Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳(メタデータ) (2022-10-15T17:35:23Z) - 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。