論文の概要: Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins

• arxiv url: http://arxiv.org/abs/2512.18104v1
• Date: Fri, 19 Dec 2025 22:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.189531
• Title: Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
• Title（参考訳）: 材料ディジタル双晶におけるロバスト不確かさ定量のための組織ベース変分ニューラルネットワーク
• Authors: Andreas E. Robertson, Samuel B. Inman, Ashley T. Lenau, Ricardo A. Lebensohn, Dongil Shin, Brad L. Boyce, Remi M. Dingreville,
• Abstract要約: 変分ディープ・マテリアル・ネットワーク(VDMN)は、物理インフォームド・サロゲートモデルであり、物質挙動の効率的かつ確率的前方および逆予測を可能にする。 VDMNは、その階層的、機械的アーキテクチャに変分分布を埋め込むことによって、ミクロ構造によって引き起こされる変動を捉えている。 本研究では,(1)不確かさを意識したデジタルツインとして,添加性高分子複合材料の非線形力学的変動を予測・実験的に評価し,(2)逆キャリブレーションエンジンとして,構成特性の重複源を分離・定量化する。
• 参考スコア（独自算出の注目度）: 0.19544534628180865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aleatoric uncertainties - irremovable variability in microstructure morphology, constituent behavior, and processing conditions - pose a major challenge to developing uncertainty-robust digital twins. We introduce the Variational Deep Material Network (VDMN), a physics-informed surrogate model that enables efficient and probabilistic forward and inverse predictions of material behavior. The VDMN captures microstructure-induced variability by embedding variational distributions within its hierarchical, mechanistic architecture. Using an analytic propagation scheme based on Taylor-series expansion and automatic differentiation, the VDMN efficiently propagates uncertainty through the network during training and prediction. We demonstrate its capabilities in two digital-twin-driven applications: (1) as an uncertainty-aware materials digital twin, it predicts and experimentally validates the nonlinear mechanical variability in additively manufactured polymer composites; and (2) as an inverse calibration engine, it disentangles and quantitatively identifies overlapping sources of uncertainty in constituent properties. Together, these results establish the VDMN as a foundation for uncertainty-robust materials digital twins.
• Abstract（参考訳）: 微視的不確実性 - 微視的形態、構成的挙動、および処理条件における不可除な変動 - は、不確かさを損なうデジタル双生児を開発する上で大きな課題となる。 本稿では,物理インフォームド・サロゲートモデルである変分ディープ・マテリアル・ネットワーク(VDMN)を紹介した。 VDMNは、その階層的、機械的アーキテクチャに変分分布を埋め込むことによって、ミクロ構造によって引き起こされる変動を捉えている。 テイラー系列展開と自動微分に基づく解析的伝搬スキームを用いて、VDMNはトレーニングおよび予測中にネットワークを介して不確実性を効率的に伝播する。 本研究では,(1)不確かさを意識したデジタルツインとして,添加性高分子複合材料の非線形力学的変動を予測・実験的に評価し,(2)逆キャリブレーションエンジンとして,構成特性の重複源を分離・定量化する。 これらの結果が相まって、VDMNは不確実性破壊材料であるデジタルツインの基礎として確立された。

関連論文リスト

• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks [0.0]
  本研究では,不特定物理によって制御される力学系における応答予測のための確率論的ディジタルツインフレームワークを提案する。 このアプローチは、ガウス過程潜在力モデル(GPLFM)とベイズニューラルネットワーク(BNN)を統合し、エンドツーエンドの不確実性認識と予測を可能にする。
  論文  参考訳（メタデータ） (2025-11-27T06:02:17Z)
• Bayesian Neural Networks vs. Mixture Density Networks: Theoretical and Empirical Insights for Uncertainty-Aware Nonlinear Modeling [2.0797819204842036]
  本研究では,不確実性を考慮した非線形回帰に対するベイズニューラルネットワーク(BNN)と混合密度ネットワーク(MDN)のアプローチを比較する。 理論的には、H"古い滑らかさ条件下での収束率と誤差境界を導出し、MDNがより高速なクルバック・リーブラー(KL)分散収束を実現することを示す。 本研究は, 非線形システムにおける不確実性を考慮したモデリングの指針として, 後進的および確率的確率論的学習の相補的強みを明らかにした。
  論文  参考訳（メタデータ） (2025-10-28T22:00:30Z)
• Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
  本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-09-19T12:39:15Z)
• Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys [9.066691897904875]
  機械学習は構造材料の理解と応用を著しく進歩させてきた。 本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。 これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
  論文  参考訳（メタデータ） (2025-06-25T21:18:14Z)
• Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis [43.82741134285203]
  可変数の脳MRIモダリティを合成できる物理インフォームド生成モデルを提案する。 提案手法は遅延拡散モデルと2段階生成過程を利用する。 実験は、見えないMRコントラストを発生させ、身体的可視性を維持するためのこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-20T14:21:34Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)

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。