論文の概要: Neural Contrast Expansion for Explainable Structure-Property Prediction and Random Microstructure Design

• arxiv url: http://arxiv.org/abs/2508.16857v1
• Date: Sat, 23 Aug 2025 01:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.215279
• Title: Neural Contrast Expansion for Explainable Structure-Property Prediction and Random Microstructure Design
• Title（参考訳）: 説明可能な構造のためのニューラルコントラスト展開-品質予測とランダム構造設計
• Authors: Guangyu Nie, Yang Jiao, Yi Ren,
• Abstract要約: 本稿では,費用対効果と説明可能な構造固有性モデルを提案する。 提案手法は強コントラスト展開形式の上に構築され,非有界ランダム場の$N$-point相関をその有効特性に解析的にマッピングする。 静的伝導および電磁波伝搬の場合,NCEモデルは材料設計に有用な正確で洞察に富んだ感度情報を明らかにする。
• 参考スコア（独自算出の注目度）: 21.77597025122846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective properties of composite materials are defined as the ensemble average of property-specific PDE solutions over the underlying microstructure distributions. Traditionally, predicting such properties can be done by solving PDEs derived from microstructure samples or building data-driven models that directly map microstructure samples to properties. The former has a higher running cost, but provides explainable sensitivity information that may guide material design; the latter could be more cost-effective if the data overhead is amortized, but its learned sensitivities are often less explainable. With a focus on properties governed by linear self-adjoint PDEs (e.g., Laplace, Helmholtz, and Maxwell curl-curl) defined on bi-phase microstructures, we propose a structure-property model that is both cost-effective and explainable. Our method is built on top of the strong contrast expansion (SCE) formalism, which analytically maps $N$-point correlations of an unbounded random field to its effective properties. Since real-world material samples have finite sizes and analytical PDE kernels are not always available, we propose Neural Contrast Expansion (NCE), an SCE-inspired architecture to learn surrogate PDE kernels from structure-property data. For static conduction and electromagnetic wave propagation cases, we show that NCE models reveal accurate and insightful sensitivity information useful for material design. Compared with other PDE kernel learning methods, our method does not require measurements about the PDE solution fields, but rather only requires macroscopic property measurements that are more accessible in material development contexts.
• Abstract（参考訳）: 複合材料の有効特性は, 基礎となるミクロ構造分布に対する特性特異的PDE溶液のアンサンブル平均として定義される。 伝統的に、そのような特性を予測するには、マイクロ構造サンプルから派生したPDEを解いたり、マイクロ構造サンプルを直接プロパティにマッピングするデータ駆動モデルを構築したりすることができる。 前者は実行コストが高いが、材料設計を導くための説明可能な感度情報を提供する。 二相構造上に定義された線形自己共役PDE(Laplace,Helmholtz,Maxwell curl-curl)に焦点をあてて、コスト効率と説明性の両方を有する構造固有性モデルを提案する。 本手法は強コントラスト展開(SCE)形式の上に構築され,非有界ランダム場の$N$-point相関と有効特性を解析的にマッピングする。 実世界の材料サンプルは有限サイズであり,解析的PDEカーネルは必ずしも利用できないため,SCEにインスパイアされたアーキテクチャであるNeural Contrast Expansion (NCE)を提案する。 静的伝導および電磁波伝搬の場合,NCEモデルは材料設計に有用な正確で洞察に富んだ感度情報を明らかにする。 他のPDEカーネル学習法と比較して,本手法はPDEソリューションフィールドの測定を必要としない。

関連論文リスト

• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• Spectral Normalization and Voigt-Reuss net: A universal approach to microstructure-property forecasting with physical guarantees [0.0]
  設計プロセスにおける重要なステップは、効果的な機械的、熱的、あるいは一般的には弾性特性の迅速な評価である。 古典的なシミュレーションに基づくアプローチは、例えば有限要素やFFTベースの解法を使うが、かなりの計算資源を必要とする。 本稿では,これらの境界を優先的に適用するスペクトル正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-01T12:21:57Z)
• 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)
• Neural McKean-Vlasov Processes: Distributional Dependence in Diffusion Processes [24.24785205800212]
  マッキーン・ブラソフ微分方程式(MV-SDE)は、無限個の相互作用する粒子の挙動を数学的に記述する。 本研究では,SDEのパラメータ化における分布情報含意の影響について検討する。
  論文  参考訳（メタデータ） (2024-04-15T01:28:16Z)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• 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)
• Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
  タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。 指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。 デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。 本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:47:32Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)

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。