論文の概要: Enhanced geometry prediction in laser directed energy deposition using meta-learning

• arxiv url: http://arxiv.org/abs/2512.22241v1
• Date: Tue, 23 Dec 2025 18:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.924295
• Title: Enhanced geometry prediction in laser directed energy deposition using meta-learning
• Title（参考訳）: メタラーニングを用いたレーザー指向型エネルギー堆積における幾何予測の高度化
• Authors: Abdul Malik Al Mardhouf Al Saadi, Amrita Basak,
• Abstract要約: モデル非依存型メタラーニング(MAML)とReptile(Reptile)という2つの勾配に基づくメタラーニングアルゴリズムを用いて,データ制限による新しい沈着条件への迅速な適応を実現する。 その結果,MAMLとReptileは,3～9種類の訓練例を用いて,未確認目標タスクのビーズ高さ予測を精度良く行うことができた。
• 参考スコア（独自算出の注目度）: 0.5729426778193398
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate bead geometry prediction in laser-directed energy deposition (L-DED) is often hindered by the scarcity and heterogeneity of experimental datasets collected under different materials, machine configurations, and process parameters. To address this challenge, a cross-dataset knowledge transfer model based on meta-learning for predicting deposited track geometry in L-DED is proposed. Specifically, two gradient-based meta-learning algorithms, i.e., Model-Agnostic Meta-Learning (MAML) and Reptile, are investigated to enable rapid adaptation to new deposition conditions with limited data. The proposed framework is performed using multiple experimental datasets compiled from peer-reviewed literature and in-house experiments and evaluated across powder-fed, wire-fed, and hybrid wire-powder L-DED processes. Results show that both MAML and Reptile achieve accurate bead height predictions on unseen target tasks using as few as three to nine training examples, consistently outperforming conventional feedforward neural networks trained under comparable data constraints. Across multiple target tasks representing different printing conditions, the meta-learning models achieve strong generalization performance, with R-squared values reaching up to approximately 0.9 and mean absolute errors between 0.03-0.08 mm, demonstrating effective knowledge transfer across heterogeneous L-DED settings.
• Abstract（参考訳）: レーザー指向型エネルギー堆積(L-DED)における正確なビーズ形状予測は、異なる材料、機械構成、プロセスパラメータで収集された実験データセットの不足と不均一性によってしばしば妨げられる。 この課題に対処するために,L-DEDにおける堆積軌道形状を予測するメタラーニングに基づくデータセット間知識伝達モデルを提案する。 具体的には,モデルに依存しないメタラーニング(MAML)とReptile(Reptile)という2つの勾配に基づくメタラーニングアルゴリズムについて検討し,データ制限による新しい沈着条件への迅速な適応を実現する。 提案フレームワークは, ピアレビューされた文献および社内実験から収集した複数の実験データセットを用いて, 粉末捕集, ワイヤ捕集, ハイブリッドワイヤ造粒法L-DEDプロセス間で評価を行った。 結果から,MAMLとReptileはいずれも3～9のトレーニング例を用いて,未確認の目標タスクのビーズ高さの正確な予測を達成し,ほぼ同等のデータ制約下でトレーニングされた従来のフィードフォワードニューラルネットワークよりも優れていた。 異なる印刷条件を表す複数の目標タスクにまたがって、メタラーニングモデルは強力な一般化性能を達成し、R-2乗値は約0.9に達し、平均絶対誤差は0.03-0.08mmであり、異種L-DED設定における効果的な知識伝達を示す。

関連論文リスト

• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Comparison of derivative-free and gradient-based minimization for multi-objective compositional design of shape memory alloys [0.0]
  我々は, 機械モデルを代理材として使用し, 合金組成の探索に数値的手法を適用した。 本研究では、物理インフォームドデータ、機械学習モデル、最適化アルゴリズムを組み合わせることで、新しいSMAを探索する実践的なアプローチを示す。
  論文  参考訳（メタデータ） (2025-08-19T03:43:35Z)
• A neural network machine-learning approach for characterising hydrogen trapping parameters from TDS experiments [0.0]
  この研究は、TDSスペクトルからパラメータを識別するための機械学習に基づくスキームを導入する。 マルチニューラルネットワーク(NN)モデルを開発し,トラップパラメータを予測するために合成データのみを訓練する。 異なる組成のマルテンサイト系3鋼に印加した場合, 強い予測性能を示した。
  論文  参考訳（メタデータ） (2025-08-05T12:21:54Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
  本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。 提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
  論文  参考訳（メタデータ） (2022-04-12T01:59:36Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)

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。