論文の概要: Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution

• arxiv url: http://arxiv.org/abs/2509.15029v1
• Date: Thu, 18 Sep 2025 14:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.277323
• Title: Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution
• Title（参考訳）: 2次元および3次元組織進化の長期予測のための物理インフォームGCN-LSTMフレームワーク
• Authors: Hamidreza Razavi, Nele Moelans,
• Abstract要約: このフレームワークはコンポジション対応で、異なるコンポジションを持つデータセットを共同でトレーニングし、潜在グラフ空間で動作する。 このフレームワークは、進化するミクロ構造の空間的および時間的パターンを捉えながら、トレーニング後の計算コストを削減した長距離予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.24554686192257422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a physics-informed framework that integrates graph convolutional networks (GCN) with long short-term memory (LSTM) architecture to forecast microstructure evolution over long time horizons in both 2D and 3D with remarkable performance across varied metrics. The proposed framework is composition-aware, trained jointly on datasets with different compositions, and operates in latent graph space, which enables the model to capture compositions and morphological dynamics while remaining computationally efficient. Compressing and encoding phase-field simulation data with convolutional autoencoders and operating in Latent graph space facilitates efficient modeling of microstructural evolution across composition, dimensions, and long-term horizons. The framework captures the spatial and temporal patterns of evolving microstructures while enabling long-range forecasting at reduced computational cost after training.
• Abstract（参考訳）: 本稿では,グラフ畳み込みネットワーク(GCN)と長い短期記憶(LSTM)アーキテクチャを統合した物理インフォームドフレームワークを提案する。 提案するフレームワークは、異なる構成を持つデータセットを共同で学習し、潜在グラフ空間で動作させることにより、計算効率を保ちながら、構成や形態学のダイナミクスを捉えることができる。 畳み込み自己エンコーダによる位相場シミュレーションデータを圧縮および符号化し、ラテントグラフ空間で動作させることにより、組成、寸法、長期水平方向のマイクロ構造進化の効率的なモデリングを容易にする。 このフレームワークは、進化するミクロ構造の空間的および時間的パターンを捉えながら、トレーニング後の計算コストを削減した長距離予測を可能にする。

関連論文リスト

• Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-03T16:22:15Z)
• Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
  TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。 我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-07-05T01:26:03Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
  本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。 この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。 その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-09T10:56:03Z)
• Mesh Mamba: A Unified State Space Model for Saliency Prediction in Non-Textured and Textured Meshes [50.23625950905638]
  メッシュサリエンシは、自然に視覚的注意を引き付ける領域を特定して強調することにより、3D視覚の適応性を高める。 状態空間モデル (SSM) に基づく統合唾液度予測モデルであるメッシュ・マンバを導入する。 Mesh Mambaは、トポロジカルフレームワークにテクスチャ機能をシームレスに組み込んだまま、メッシュの幾何学的構造を効果的に分析する。
  論文  参考訳（メタデータ） (2025-04-02T08:22:25Z)
• 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)
• Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation [36.93661496405653]
  我々は、簡潔なグラフとSkipped Transformerアーキテクチャを用いて、Transformer-temporal情報を活用するためのグローバルなアプローチを採っている。 具体的には、3Dポーズの段階では、粗粒の体部が展開され、完全なデータ駆動適応モデルが構築される。 実験はHuman3.6M、MPI-INF-3DHP、Human-Evaベンチマークで行われた。
  論文  参考訳（メタデータ） (2024-07-03T10:42:09Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)

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。