論文の概要: Temperature-Aware Recurrent Neural Operator for Temperature-Dependent Anisotropic Plasticity in HCP Materials

• arxiv url: http://arxiv.org/abs/2508.18806v1
• Date: Tue, 26 Aug 2025 08:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.759382
• Title: Temperature-Aware Recurrent Neural Operator for Temperature-Dependent Anisotropic Plasticity in HCP Materials
• Title（参考訳）: HCP材料の温度依存性異方性塑性に対する温度対応リカレントニューラルネットワーク
• Authors: Yannick Hollenweger, Dennis M. Kochman, Burigede Liu,
• Abstract要約: 本稿では,時間分解能に依存しないニューラルネットワークであるTRNOについて紹介する。 TRNOは高い予測精度を達成し、様々な負荷ケース、温度、時間分解能を効果的に一般化する。 また、従来のGRUモデルやLSTMモデルよりも、トレーニング効率と予測性能が優れている。
• 参考スコア（独自算出の注目度）: 1.2374932078540024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural network surrogate models for constitutive laws in computational mechanics have been in use for some time. In plasticity, these models often rely on gated recurrent units (GRUs) or long short-term memory (LSTM) cells, which excel at capturing path-dependent phenomena. However, they suffer from long training times and time-resolution-dependent predictions that extrapolate poorly. Moreover, most existing surrogates for macro- or mesoscopic plasticity handle only relatively simple material behavior. To overcome these limitations, we introduce the Temperature-Aware Recurrent Neural Operator (TRNO), a time-resolution-independent neural architecture. We apply the TRNO to model the temperature-dependent plastic response of polycrystalline magnesium, which shows strong plastic anisotropy and thermal sensitivity. The TRNO achieves high predictive accuracy and generalizes effectively across diverse loading cases, temperatures, and time resolutions. It also outperforms conventional GRU and LSTM models in training efficiency and predictive performance. Finally, we demonstrate multiscale simulations with the TRNO, yielding a speedup of at least three orders of magnitude over traditional constitutive models.
• Abstract（参考訳）: 計算力学における構成則のニューラルネットワークサロゲートモデルは、しばらく前から用いられてきた。 可塑性においては、これらのモデルはしばしば、経路依存的な現象を捉えるのに優れたゲートリカレントユニット(GRU)または長短期記憶(LSTM)細胞に依存している。 しかし、彼らは長いトレーニング時間と、外挿が不十分な時間分解依存の予測に悩まされている。 さらに、マクロまたはメソスコピックな塑性に対する既存のサロゲートは、比較的単純な物質的挙動しか扱わない。 これらの制限を克服するために、時間分解能に依存しないニューラルネットワークである温度認識リカレントニューラルネットワーク(TRNO)を導入する。 TRNOを用いて多結晶マグネシウムの温度依存性の塑性応答をモデル化し, 強い塑性異方性と熱感度を示す。 TRNOは高い予測精度を達成し、様々な負荷ケース、温度、時間分解能を効果的に一般化する。 また、従来のGRUモデルやLSTMモデルよりも、トレーニング効率と予測性能が優れている。 最後に、TRNOを用いたマルチスケールシミュレーションを実演し、従来の構成モデルよりも少なくとも3桁のスピードアップを実現した。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Accurate and Fast Fischer-Tropsch Reaction Microkinetics using PINNs [38.08566680893281]
  Fischer-Tropsch合成(FTS)のマイクロ力学モデルは、より高度なリアルタイムアプリケーションでは非効率になる。 本稿では,計算効率が高く,高精度な計算手法を提案し,既存のマイクロ運動学モデルの超高速解法を実現する。 提案したPINNモデルでは, FTSマイクロキネティクスにおいて, 平均相対誤差(MRE)0.03%, FTS生成速度(MRE0.1%)を計算した。
  論文  参考訳（メタデータ） (2023-11-17T11:21:09Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

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。