論文の概要: Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering

• arxiv url: http://arxiv.org/abs/2512.02057v1
• Date: Fri, 28 Nov 2025 06:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.538458
• Title: Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering
• Title（参考訳）: ブラックボックスのオープン: 物理と材料工学の知識を駆使した説明可能なAI4Eフレームワーク
• Authors: Haoxiang Zhang, Ruihao Yuan, Lihui Zhang, Yushi Luo, Qiang Zhang, Pan Ding, Xiaodong Ren, Weijie Xing, Niu Gao, Jishan Chen, Chubo Zhang,
• Abstract要約: 我々は、そのアーキテクチャ全体を通して物理と専門家の知識によって体系的に情報を得る、説明可能な、少数のAI4Eフレームワークを提示する。 私たちのアプローチは、エンジニアリングドメインの知識を直接アーキテクチャに組み込むAIシステムを開発するための青写真を提供します。
• 参考スコア（独自算出の注目度）: 5.815650691228101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The industrial adoption of Artificial Intelligence for Engineering (AI4E) faces two fundamental bottlenecks: scarce high-quality data and the lack of interpretability in black-box models-particularly critical in safety-sensitive sectors like aerospace. We present an explainable, few-shot AI4E framework that is systematically informed by physics and expert knowledge throughout its architecture. Starting from only 32 experimental samples in an aerial K439B superalloy castings repair welding case, we first augment physically plausible synthetic data through a three-stage protocol: differentiated noise injection calibrated to process variabilities, enforcement of hard physical constraints, and preservation of inter-parameter relationships. We then employ a nested optimization strategy for constitutive model discovery, where symbolic regression explores equation structures while differential evolution optimizes parameters, followed by intensive parameter refinement using hybrid global-local optimization. The resulting interpretable constitutive equation achieves 88% accuracy in predicting hot-cracking tendency. This equation not only provides quantitative predictions but also delivers explicit physical insight, revealing how thermal, geometric, and metallurgical mechanisms couple to drive cracking-thereby advancing engineers' cognitive understanding of the process. Furthermore, the constitutive equation serves as a multi-functional tool for process optimization and high-fidelity virtual data generation, enabling accuracy improvements in other data-driven models. Our approach provides a general blueprint for developing trustworthy AI systems that embed engineering domain knowledge directly into their architecture, enabling reliable adoption in high-stakes industrial applications where data is limited but physical understanding is available.
• Abstract（参考訳）: AI4E(Artificial Intelligence for Engineering)の産業的採用は、高品質なデータの不足と、ブラックボックスモデルにおける解釈可能性の欠如という、2つの基本的なボトルネックに直面している。 我々は、そのアーキテクチャ全体を通して物理と専門家の知識によって体系的に情報を得る、説明可能な、少数のAI4Eフレームワークを提示する。 空中K439B超合金鋳物の補修接合ケースの32種類の実験試料から始め、3段階のプロトコルを用いて物理的に可塑性な合成データを拡張した。 次に, モデル探索のためのネスト最適化手法を用いて, 差分展開がパラメータを最適化する一方で, シンボル回帰が方程式構造を探索し, 次いで, ハイブリッドグローバル局所最適化を用いた集中的パラメータ改善を行う。 解釈可能な構成方程式は、ホットクラック傾向の予測において88%の精度を達成する。 この方程式は定量的な予測を提供するだけでなく、熱的、幾何学的、および冶金的なメカニズムがいかにひび割れを引き起こすかを明らかにすることで、エンジニアによるプロセスの認知的理解を促進する。 さらに、構成方程式はプロセス最適化と高忠実度仮想データ生成のための多機能ツールとして機能し、他のデータ駆動モデルにおける精度の向上を可能にする。 このアプローチは、エンジニアリングドメインの知識を直接アーキテクチャに組み込む、信頼できるAIシステムを開発するための一般的な青写真を提供する。

関連論文リスト

• Explainable Prediction of the Mechanical Properties of Composites with CNNs [18.157728232751474]
  説明可能なAI(XAI)の手法を備えた畳み込みニューラルネットワーク(CNN)が,この問題の解決に有効であることを示す。 提案手法では, 逆張力試験を用いて生成したデータセットに基づいて学習したカスタムCNNを用いて, コンポジットの機械的特性を予測する。 次に、SHAPと統合勾配の2つのポストホックXAI法を用いて予測を説明し、CNNが合成体の挙動に影響を与える重要な幾何学的特徴を用いていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T08:54:06Z)
• Heterogenous Multi-Source Data Fusion Through Input Mapping and Latent Variable Gaussian Process [8.32027826756131]
  提案するフレームワークは,3つの工学的ケーススタディに基づいて実証および解析を行った。 単一のソースモデルに対して予測精度が向上し、変換されるがソースモデルは認識されない。
  論文  参考訳（メタデータ） (2024-07-15T22:27:04Z)
• The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains [3.79770624632814]
  本稿では,モデル予測制御,ディープラーニング,センサネットワークの概念を組み合わせた人工ニューラルツインを提案する。 我々のアプローチでは、分散プロセスのステップの状態を推定するために、微分可能なデータ融合を導入します。 相互接続されたプロセスステップを準ニューラルネットワークとして扱うことで、プロセス最適化やモデル微調整のための損失勾配をプロセスパラメータにバックプロパゲートすることができる。
  論文  参考訳（メタデータ） (2024-03-27T08:34:39Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Explainable AI for Engineering Design: A Unified Approach of Systems Engineering and Component- Based Deep Learning Demonstrated by Energy- Efficient Building Design [0.8265473560266577]
  機械学習(ML)による部分的コンポーネントモデル作成のためのコンポーネントベースアプローチを提案する。 このコンポーネントベースのアプローチは、ディープラーニングをシステム、エンジニアリング(SE)と整合させる アプローチは、モデル構造をシステム工学とドメイン知識の工学的手法に適応させる。
  論文  参考訳（メタデータ） (2021-08-30T07:20:58Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)

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。