論文の概要: Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models

• arxiv url: http://arxiv.org/abs/2511.11630v1
• Date: Fri, 07 Nov 2025 18:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.317301
• Title: Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models
• Title（参考訳）: ディープラーニング時系列モデルによる多結晶材料の結晶粒成長予測
• Authors: Eliane Younes, Elie Hachem, Marc Bernacki,
• Abstract要約: 結晶成長は材料の機械的挙動に強く影響を与え、その予測がミクロ構造工学の重要な目的となっている。 本研究では、リカレントニューラルネットワーク(RNN)、長期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマーなど、いくつかのディープラーニングアプローチを評価した。 LSTMネットワークは高い精度(90%以上)と最も安定した性能を達成し、拡張水平線上での物理的に一貫した予測を維持した。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grain Growth strongly influences the mechanical behavior of materials, making its prediction a key objective in microstructural engineering. In this study, several deep learning approaches were evaluated, including recurrent neural networks (RNN), long short-term memory (LSTM), temporal convolutional networks (TCN), and transformers, to forecast grain size distributions during grain growth. Unlike full-field simulations, which are computationally demanding, the present work relies on mean-field statistical descriptors extracted from high-fidelity simulations. A dataset of 120 grain growth sequences was processed into normalized grain size distributions as a function of time. The models were trained to predict future distributions from a short temporal history using a recursive forecasting strategy. Among the tested models, the LSTM network achieved the highest accuracy (above 90\%) and the most stable performance, maintaining physically consistent predictions over extended horizons while reducing computation time from about 20 minutes per sequence to only a few seconds, whereas the other architectures tended to diverge when forecasting further in time. These results highlight the potential of low-dimensional descriptors and LSTM-based forecasting for efficient and accurate microstructure prediction, with direct implications for digital twin development and process optimization.
• Abstract（参考訳）: 結晶成長は材料の機械的挙動に強く影響を与え、その予測がミクロ構造工学の重要な目的となっている。 本研究では,Recurrent Neural Network (RNN), long short-term memory (LSTM), temporal convolutional Network (TCN), and transformerなどの深層学習手法を用いて,穀物成長に伴う粒径分布の予測を行った。 計算的に要求されるフルフィールドシミュレーションとは異なり、本研究は高忠実度シミュレーションから抽出した平均フィールド統計記述子に依存している。 120粒成長系列のデータセットを時間関数として正規化粒径分布に加工した。 モデルは、再帰的な予測戦略を用いて、短い時間的履歴から将来の分布を予測するために訓練された。 試験されたモデルのうち、LSTMネットワークは最高精度(90%以上)と最も安定した性能を達成し、拡張水平線上で物理的に一貫した予測を維持しつつ、計算時間を約20分から数秒に短縮した。 これらの結果から,低次元ディスクリプタとLSTMに基づく予測が,ディジタルツイン開発やプロセス最適化に直接的な影響を与えることが示唆された。

関連論文リスト

• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks [0.0]
  本研究では,アルゼンチン・コルドバ市における短期的時間電力需要予測のためのディープラーニングモデルの開発と最適化について述べる。 このモデルは予測精度が高く、平均絶対パーセンテージ誤差は3.20%、決定係数は0.95である。
  論文  参考訳（メタデータ） (2025-09-19T19:20:49Z)
• rETF-semiSL: Semi-Supervised Learning for Neural Collapse in Temporal Data [44.17657834678967]
  本稿では,ニューラル・コラプス現象を満たす潜在表現を強制する,新しい半教師付き事前学習戦略を提案する。 LSTM, トランスフォーマー, 状態空間モデルに適用した場合, 従来のプリテキストタスクよりも有意に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-13T19:16:47Z)
• High-fidelity Grain Growth Modeling: Leveraging Deep Learning for Fast Computations [0.0]
  我々は、進化的長期記憶ネットワークとオートエンコーダを組み合わせた機械学習フレームワークを導入し、穀物成長の進化を効率的に予測する。 その結果,我々の機械学習手法は,粒成長予測を最大 SI89 時間高速化することを示した。
  論文  参考訳（メタデータ） (2025-05-08T15:43:40Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
  我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。 予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。 複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2023-03-18T14:37:37Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Deep learning-based multi-output quantile forecasting of PV generation [34.51430520593065]
  本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。 Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。 モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
  論文  参考訳（メタデータ） (2021-06-02T16:28:10Z)
• An autoencoder wavelet based deep neural network with attention mechanism for multistep prediction of plant growth [4.077787659104315]
  本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。 ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。 エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。 時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-07T20:30:39Z)
• Industrial Forecasting with Exponentially Smoothed Recurrent Neural Networks [0.0]
  本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。 指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
  論文  参考訳（メタデータ） (2020-04-09T17:53:49Z)

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。