論文の概要: Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data

• arxiv url: http://arxiv.org/abs/2512.05818v1
• Date: Fri, 05 Dec 2025 15:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.086506
• Title: Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data
• Title（参考訳）: 機械学習による大規模MDデータにおけるトライボロジー変形パターンの解釈
• Authors: Hendrik J. Ehrich, Marvin C. May, Stefan J. Eder,
• Abstract要約: CuNi合金シミュレーションから得られた結晶配向色トモグラフ画像は、まずオートエンコーダを通して32次元のグローバル特徴ベクトルに圧縮された。 再構成された画像は、最良欠陥のみを省略しつつ、粒界、積み重ね断層、双生児、部分格子回転といった重要なミクロ構造モチーフを保持していた。 支配的な変形パターンを予測するCNN-MLPモデルは、検証データに対して約96%の予測精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) simulations have become indispensable for exploring tribological deformation patterns at the atomic scale. However, transforming the resulting high-dimensional data into interpretable deformation pattern maps remains a resource-intensive and largely manual process. In this work, we introduce a data-driven workflow that automates this interpretation step using unsupervised and supervised learning. Grain-orientation-colored computational tomograph pictures obtained from CuNi alloy simulations were first compressed through an autoencoder to a 32-dimensional global feature vector. Despite this strong compression, the reconstructed images retained the essential microstructural motifs: grain boundaries, stacking faults, twins, and partial lattice rotations, while omitting only the finest defects. The learned representations were then combined with simulation metadata (composition, load, time, temperature, and spatial position) to train a CNN-MLP model to predict the dominant deformation pattern. The resulting model achieves a prediction accuracy of approximately 96% on validation data. A refined evaluation strategy, in which an entire spatial region containing distinct grains was excluded from training, provides a more robust measure of generalization. The approach demonstrates that essential tribological deformation signatures can be automatically identified and classified from structural images using Machine Learning. This proof of concept constitutes a first step towards fully automated, data-driven construction of tribological mechanism maps and, ultimately, toward predictive modeling frameworks that may reduce the need for large-scale MD simulation campaigns.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは原子スケールでのトライボロジー変形パターンの探索に欠かせないものとなっている。 しかし、結果の高次元データを解釈可能な変形パターンマップに変換することは、資源集約的で大部分が手動のプロセスである。 本研究では、教師なし学習と教師なし学習を用いて、この解釈ステップを自動化するデータ駆動ワークフローを提案する。 CuNi合金シミュレーションから得られた結晶配向色トモグラフ画像は、まずオートエンコーダを通して32次元のグローバル特徴ベクトルに圧縮された。 この強い圧縮にもかかわらず、再構成された画像は、最良欠陥のみを省略しながら、粒界、積み重ね断層、双生児、部分格子回転といった重要な微細構造モチーフを保持していた。 そして、学習した表現とシミュレーションメタデータ(合成、負荷、時間、温度、空間位置)を組み合わせることで、CNN-MLPモデルをトレーニングし、支配的な変形パターンを予測する。 得られたモデルは、検証データに対して約96%の予測精度を達成する。 異なる粒を含む空間領域全体をトレーニングから除外する洗練された評価戦略は、より堅牢な一般化手段を提供する。 本手法は,機械学習を用いて構造画像から重要なトライボロジー変形シグネチャを自動同定し,分類できることを実証する。 この概念の証明は、完全に自動化され、データ駆動によるトライボロジーのメカニズムマップの構築への第一歩であり、最終的には、大規模なMDシミュレーションキャンペーンの必要性を減らす可能性のある予測モデリングフレームワークに向けたものである。

関連論文リスト

• GeoGraph: Geometric and Graph-based Ensemble Descriptors for Intrinsically Disordered Proteins [0.43981305860983716]
  シミュレーションインフォームド・サロゲートであるGeoGraphを導入し,残差残差マップトポロジのアンサンブル平均統計をシーケンスから直接予測する。 粗粒度分子動力学シミュレーションを残差レベルおよびシーケンスレベルのグラフ記述子に分解することにより、ロバストで情報豊富な学習ターゲットを作成する。
  論文  参考訳（メタデータ） (2025-10-01T11:13:53Z)
• Detecting Model Misspecification in Cosmology with Scale-Dependent Normalizing Flows [0.3840425533789961]
  本稿では,スケール依存型ニューラルサプリメント統計と正規化フローを組み合わせた新しいフレームワークを提案する。 本稿では,3つのCAMELSシミュレーションスイートの物質密度場とガス密度場を用いたアプローチへの最初の適用例を示す。
  論文  参考訳（メタデータ） (2025-08-07T18:00:09Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
  フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。 このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。 本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
  論文  参考訳（メタデータ） (2025-07-09T19:14:56Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Topological structure of complex predictions [15.207535648404765]
  ディープラーニングのような複雑な予測モデルは、機械学習、ニューラルネットワーク、AIモデルから一連のトレーニングデータに適合する出力である。 我々は、トポロジカル・データ分析を用いて、これらの複雑な予測モデルをトポロジカル・ビューを表す画像に変換する。 本手法は、異なる領域にわたる大規模なデータセットにスケールアップし、トレーニングデータのラベル付けエラーを検出し、画像分類の一般化を理解し、BRCA1遺伝子の病原性変異の予測を検査する。
  論文  参考訳（メタデータ） (2022-07-28T19:28:05Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Shape My Face: Registering 3D Face Scans by Surface-to-Surface Translation [75.59415852802958]
  Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。 私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
  論文  参考訳（メタデータ） (2020-12-16T20:02:36Z)

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。