論文の概要: Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation

• arxiv url: http://arxiv.org/abs/2508.01822v1
• Date: Sun, 03 Aug 2025 16:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.074693
• Title: Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation
• Title（参考訳）: 潜時空間補間による深層学習による組織進化予測
• Authors: Sachin Gaikwad, Thejas Kasilingam, Owais Ahmad, Rajdip Mukherjee, Somnath Bhowmick,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phase-field models accurately simulate microstructure evolution, but their dependence on solving complex differential equations makes them computationally expensive. This work achieves a significant acceleration via a novel deep learning-based framework, utilizing a Conditional Variational Autoencoder (CVAE) coupled with Cubic Spline Interpolation and Spherical Linear Interpolation (SLERP). We demonstrate the method for binary spinodal decomposition by predicting microstructure evolution for intermediate alloy compositions from a limited set of training compositions. First, using microstructures from phase-field simulations of binary spinodal decomposition, we train the CVAE, which learns compact latent representations that encode essential morphological features. Next, we use cubic spline interpolation in the latent space to predict microstructures for any unknown composition. Finally, SLERP ensures smooth morphological evolution with time that closely resembles coarsening. The predicted microstructures exhibit high visual and statistical similarity to phase-field simulations. This framework offers a scalable and efficient surrogate model for microstructure evolution, enabling accelerated materials design and composition optimization.
• Abstract（参考訳）: 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。 本研究は,立方体スプライン補間と球面線形補間(SLERP)を併用した条件付き変分オートエンコーダ(CVAE)を用いて,新しいディープラーニングベースのフレームワークを用いて,大幅な高速化を実現する。 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。 まず,二元系スピノーダル分解の位相場シミュレーションによる微細構造を用いてCVAEを訓練し,重要な形態的特徴をコードするコンパクトな潜在表現を学習する。 次に、潜在空間における立方体スプライン補間を用いて、未知の組成の微細構造を予測する。 最後に、SLERPは粗いものによく似た時間とともに滑らかな形態的進化を保証する。 予測されたミクロ構造は、位相場シミュレーションと高い視覚的および統計的類似性を示す。 このフレームワークは、マイクロ構造進化のためのスケーラブルで効率的なサロゲートモデルを提供し、加速された材料設計と組成最適化を可能にする。

関連論文リスト

• Unified machine-learning framework for property prediction and time-evolution simulation of strained alloy microstructure [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-29T12:43:04Z)
• evoxels: A differentiable physics framework for voxel-based microstructure simulations [41.94295877935867]
  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。
  論文  参考訳（メタデータ） (2025-07-29T12:29:15Z)
• 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)
• Loss-Complexity Landscape and Model Structure Functions [56.01537787608726]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• 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)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。