論文の概要: Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

• arxiv url: http://arxiv.org/abs/2510.07474v1
• Date: Wed, 08 Oct 2025 19:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.687757
• Title: Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion
• Title（参考訳）: テンソルコンプリートを用いた最適格子構造の設計のためのサロゲートモデリング
• Authors: Shaan Pakala, Aldair E. Gongora, Brian Giera, Evangelos E. Papalexakis,
• Abstract要約: 機械的性能に関する最適格子構造の設計に着目する。 本研究では, 材料設計の高速化を目的とした代理モデルとしてテンソル補修法を提案する。
• 参考スコア（独自算出の注目度）: 2.629069307455598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When designing new materials, it is often necessary to design a material with specific desired properties. Unfortunately, as new design variables are added, the search space grows exponentially, which makes synthesizing and validating the properties of each material very impractical and time-consuming. In this work, we focus on the design of optimal lattice structures with regard to mechanical performance. Computational approaches, including the use of machine learning (ML) methods, have shown improved success in accelerating materials design. However, these ML methods are still lacking in scenarios when training data (i.e. experimentally validated materials) come from a non-uniformly random sampling across the design space. For example, an experimentalist might synthesize and validate certain materials more frequently because of convenience. For this reason, we suggest the use of tensor completion as a surrogate model to accelerate the design of materials in these atypical supervised learning scenarios. In our experiments, we show that tensor completion is superior to classic ML methods such as Gaussian Process and XGBoost with biased sampling of the search space, with around 5\% increased $R^2$. Furthermore, tensor completion still gives comparable performance with a uniformly random sampling of the entire search space.
• Abstract（参考訳）: 新しい材料を設計する際には、しばしば特定の望ましい特性を持つ材料を設計する必要がある。 残念ながら、新しい設計変数が追加されるにつれて、探索空間は指数関数的に成長し、各材料の特性を非常に実用的で時間を要するように合成し、検証する。 本研究では,機械的性能を考慮した最適格子構造の設計に着目する。 機械学習(ML)手法の使用を含む計算手法は、材料設計の高速化に成功している。 しかし、これらのML手法は、トレーニングデータ(実験的に検証された材料)が設計空間全体にわたる一様でないランダムサンプリングから来る場合のシナリオにはまだ欠けている。 例えば、実験者は、利便性のために特定の物質をより頻繁に合成し、検証する。 そこで本研究では,これら非定型教師あり学習シナリオにおける材料設計を高速化するために,テンソル補完を代理モデルとして用いることを提案する。 実験では,ガウス過程やXGBoostのような古典的ML手法よりも,探索空間の偏差サンプリングが5倍程度増加し,テンソル補完が優れていることを示した。 さらに、テンソル補完は、探索空間全体の一様ランダムサンプリングと同等の性能を持つ。

関連論文リスト

• Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders [0.015295722752489374]
  変分オートエンコーダ(VAE)はそのような低次元表現を構築する強力な手段を提供する。 VAEは試行錯誤や経験分析によって最適化されることが多い。 本研究では,潜在空間表現を評価するための報酬ベース戦略について検討した。
  論文  参考訳（メタデータ） (2025-09-30T20:15:42Z)
• Tensor Completion for Surrogate Modeling of Material Property Prediction [0.5735035463793009]
  我々は、テンソル完備化問題として、ある材料特性の最適化をモデル化する。 データセットの構造を活用し、大量の素材構成の組み合わせをナビゲートします。 本実験では, 材料特性予測タスク全体にわたって, 10～20%の誤差低減を実現するテンソル完成法について検討した。
  論文  参考訳（メタデータ） (2025-01-30T04:59:21Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Uncertainty-aware Mixed-variable Machine Learning for Materials Design [9.259285449415676]
  我々は、混合変数による機械学習の不確実性定量化に対する頻繁なアプローチとベイズ的アプローチを調査した。 数学的関数の最適化における2つのモデルの有効性と,構造的および機能的材料の性質について検討する。 材料設計における多変量BOの頻繁性とベイズ不確実性を考慮した機械学習モデルの選択に関する実践的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2022-07-11T16:37:17Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。