論文の概要: Generative Inversion for Property-Targeted Materials Design: Application to Shape Memory Alloys
- arxiv url: http://arxiv.org/abs/2508.07798v1
- Date: Mon, 11 Aug 2025 09:36:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.029821
- Title: Generative Inversion for Property-Targeted Materials Design: Application to Shape Memory Alloys
- Title（参考訳）: 材料設計のための生成インバージョン:形状記憶合金への応用
- Authors: Cheng Li, Pengfei Danga, Yuehui Xiana, Yumei Zhou, Bofeng Shi, Xiangdong Ding, Jun Suna, Dezhen Xue,
- Abstract要約: 高速SMAの逆設計のためのGAN(Generative Adversarial Network)インバージョンに基づくデータ駆動フレームワークを提案する。
このフレームワークは、5つのNiTi基SMAの合成とキャラクタリゼーションによって実験的に検証されている。
- 参考スコア（独自算出の注目度）: 3.362938558069878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design of shape memory alloys (SMAs) with high transformation temperatures and large mechanical work output remains a longstanding challenge in functional materials engineering. Here, we introduce a data-driven framework based on generative adversarial network (GAN) inversion for the inverse design of high-performance SMAs. By coupling a pretrained GAN with a property prediction model, we perform gradient-based latent space optimization to directly generate candidate alloy compositions and processing parameters that satisfy user-defined property targets. The framework is experimentally validated through the synthesis and characterization of five NiTi-based SMAs. Among them, the Ni$_{49.8}$Ti$_{26.4}$Hf$_{18.6}$Zr$_{5.2}$ alloy achieves a high transformation temperature of 404 $^\circ$C, a large mechanical work output of 9.9 J/cm$^3$, a transformation enthalpy of 43 J/g , and a thermal hysteresis of 29 {\deg}C, outperforming existing NiTi alloys. The enhanced performance is attributed to a pronounced transformation volume change and a finely dispersed of Ti$_2$Ni-type precipitates, enabled by sluggish Zr and Hf diffusion, and semi-coherent interfaces with localized strain fields. This study demonstrates that GAN inversion offers an efficient and generalizable route for the property-targeted discovery of complex alloys.
- Abstract（参考訳）: 形状記憶合金(SMA)の高温化と機械加工の大規模化は, 機能材料工学における長年の課題である。
本稿では,高速SMAの逆設計のためのGAN(Generative Adversarial Network)インバージョンに基づくデータ駆動型フレームワークを提案する。
事前学習したGANを特性予測モデルと結合することにより、勾配に基づく潜在空間最適化を行い、候補合金組成とユーザ定義プロパティターゲットを満たす処理パラメータを直接生成する。
このフレームワークは、5つのNiTi基SMAの合成とキャラクタリゼーションによって実験的に検証されている。
このうち、Ni$_{49.8}$Ti$_{26.4}$Hf$_{18.6}$Zr$_{5.2}$合金は、404ドル^\circ$C、9.9J/cm$^3$の大機械的加工出力、43J/gの変換エンタルピー、29.deg}Cの熱ヒステリシスを達成し、既存のNiTi合金より優れている。
改良された性能は,Ti$_2$Ni型析出物の顕著な変態量変化と微細に分散したTi$_2$Ni型析出物,および局所ひずみ場を有する半コヒーレント界面に起因する。
本研究は, GANインバージョンが, 複合合金の特性目標発見のための効率的かつ一般化可能な経路を提供することを示す。
関連論文リスト
- 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) - AffineQuant: Affine Transformation Quantization for Large Language Models [58.45460102764]
ポストトレーニング量子化(PTQ)は、その圧縮効率とトレーニングの文脈における費用対効果により、かなりの関心を集めている。
既存の大規模言語モデル(LLM)のPTQ手法は、事前量子化重みと後量子化重みの間の変換のスケーリングに最適化範囲を制限している。
本稿では,PTQ(AffineQuant)における等価アフィン変換を用いた直接最適化を提唱する。
論文 参考訳（メタデータ） (2024-03-19T08:40:21Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function [0.0]
深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
論文 参考訳（メタデータ） (2024-01-29T22:44:28Z) - Supervised Machine Learning and Physics based Machine Learning approach
for prediction of peak temperature distribution in Additive Friction Stir
Deposition of Aluminium Alloy [0.0]
プロセスパラメータ, サーマルプロファイル, AFSD の相関関係はよく分かっていない。
この研究は、教師付き機械学習(ニューラルネットワーク)と物理情報ネットワーク(PINN)を組み合わせて、プロセスパラメータからAFSDのピーク温度分布を予測する。
論文 参考訳（メタデータ） (2023-09-13T09:39:42Z) - HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer
Compression [69.36555801766762]
本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。
ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
論文 参考訳（メタデータ） (2022-11-30T05:31:45Z) - Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based
Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。
本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文 参考訳（メタデータ） (2022-09-15T13:52:15Z) - Improved Transformer for High-Resolution GANs [69.42469272015481]
この課題に対処するために、Transformerに2つの重要な要素を紹介します。
実験で提案したHiTは、条件のないImageNetの31.87と2.95のFIDスコアをそれぞれ128×128$とFFHQの256×256$で達成していることを示す。
論文 参考訳（メタデータ） (2021-06-14T17:39:49Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - Physics-informed machine learning for composition-process-property alloy
design: shape memory alloy demonstration [0.0]
機械学習(ML)は、高次元多目的設計空間において、新しい合金とその性能を予測する。
物理インフォームドされた特徴のあるエンジニアリングアプローチは、さもなくばパフォーマンスの悪いMLモデルを同じデータで正常に動作させることを可能にします。
論文 参考訳（メタデータ） (2020-03-04T03:53:55Z)
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。