論文の概要: Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)

• arxiv url: http://arxiv.org/abs/2509.12401v1
• Date: Mon, 15 Sep 2025 19:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.744292
• Title: Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)
• Title（参考訳）: ラテントPARC(LatentPARC)における物理対応リカレント畳み込みニューラルネットワークを用いたエネルギー材料の低次モデリング
• Authors: Zoë J. Gray, Joseph B. Choi, Youngsoo Choi, H. Keo Springer, H. S. Udaykumar, Stephen S. Baek,
• Abstract要約: 本研究では,複雑なフィールド進化問題を学習しながら,PADL法が直面する課題を単純化し,高速化できることを示す。 物理を意識した再帰的畳み込み(PARC)に関するこれまでの研究に基づいて構築する。 我々は,PARCに匹敵する結果を維持しながら,トレーニングと推論時間の大幅な減少を観察した。
• 参考スコア（独自算出の注目度）: 0.3420768233632066
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-aware deep learning (PADL) has gained popularity for use in complex spatiotemporal dynamics (field evolution) simulations, such as those that arise frequently in computational modeling of energetic materials (EM). Here, we show that the challenge PADL methods face while learning complex field evolution problems can be simplified and accelerated by decoupling it into two tasks: learning complex geometric features in evolving fields and modeling dynamics over these features in a lower dimensional feature space. To accomplish this, we build upon our previous work on physics-aware recurrent convolutions (PARC). PARC embeds knowledge of underlying physics into its neural network architecture for more robust and accurate prediction of evolving physical fields. PARC was shown to effectively learn complex nonlinear features such as the formation of hotspots and coupled shock fronts in various initiation scenarios of EMs, as a function of microstructures, serving effectively as a microstructure-aware burn model. In this work, we further accelerate PARC and reduce its computational cost by projecting the original dynamics onto a lower-dimensional invariant manifold, or 'latent space.' The projected latent representation encodes the complex geometry of evolving fields (e.g. temperature and pressure) in a set of data-driven features. The reduced dimension of this latent space allows us to learn the dynamics during the initiation of EM with a lighter and more efficient model. We observe a significant decrease in training and inference time while maintaining results comparable to PARC at inference. This work takes steps towards enabling rapid prediction of EM thermomechanics at larger scales and characterization of EM structure-property-performance linkages at a full application scale.
• Abstract（参考訳）: 物理認識深層学習(PADL)は、高エネルギー材料(EM)の計算モデルにおいて頻繁に発生するような複雑な時空間力学(フィールド進化)シミュレーションで使われるようになった。 本稿では,PADL法が直面する課題について,複雑なフィールドの進化問題を2つのタスクに分解することで,より単純化し,高速化することができることを示す。 これを実現するために、我々は物理を意識した再帰的畳み込み(PARC)に関するこれまでの研究に基づいて構築した。 PARCは、基盤となる物理の知識をニューラルネットワークアーキテクチャに組み込んで、進化する物理場のより堅牢で正確な予測を行う。 PARCは、ミクロ構造の関数として、EMの様々な開始シナリオにおけるホットスポットの形成や結合ショックフロントなどの複雑な非線形特性を効果的に学習し、ミクロ構造を意識したバーンモデルとして有効に機能することを示した。 本研究では, PARC をさらに加速し, 原動力学を低次元不変多様体 (latent space) に射影することで計算コストを削減する。 射影潜在表現は、進化体(例えば温度と圧力)の複雑な幾何学をデータ駆動的特徴の集合にエンコードする。 この潜在空間の縮小次元により、より軽くより効率的なモデルでEMの開始時の力学を学習することができる。 我々は,PARCに匹敵する結果を維持しながら,トレーニングと推論時間の大幅な減少を観察した。 本研究は、大規模でのEM熱力学の迅速な予測と、フルアプリケーションスケールでのEM構造固有性能リンクのキャラクタリゼーションを実現するためのステップである。

関連論文リスト

• 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)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• A physics-aware deep learning model for energy localization in multiscale shock-to-detonation simulations of heterogeneous energetic materials [0.0]
  不均一エネルギー材料における衝撃-起爆遷移(SDT)の予測シミュレーションは、そのエネルギー放出と感度の設計と制御に不可欠である。 本研究では,EMのSDTシミュレーションのための効率的かつ高精度なマルチスケールフレームワークを提案する。 本研究では, 深層学習を用いたSDTシミュレーションのための新しい手法を提案し, 衝撃開始EMマイクロ構造のメソスケールエネルギー局在をモデル化する。
  論文  参考訳（メタデータ） (2022-11-08T21:16:00Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。