Fugu-MT 論文翻訳(概要): FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data

論文の概要: FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data

arxiv url: http://arxiv.org/abs/2601.10031v1
Date: Thu, 15 Jan 2026 03:22:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-16 19:43:18.973397
Title: FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data
Title（参考訳）: FilDeep: 多要素データによる弾性塑性固体の大変形の学習
Authors: Jianheng Tang, Shilong Tao, Zhe Feng, Haonan Sun, Menglu Wang, Zhanxing Zhu, Yunhuai Liu,
Abstract要約: FilDeepは、弾性塑性固体の大きな変形のためのフィデリティベースのDeep Learningフレームワークである。実用的大変形問題に対する精巧な設計を提案する。私たちのFilDeepは一貫して最先端のパフォーマンスを実現し、製造に効率的にデプロイできます。
参考スコア（独自算出の注目度）: 26.050377173139694
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The scientific computation of large deformations in elastic-plastic solids is crucial in various manufacturing applications. Traditional numerical methods exhibit several inherent limitations, prompting Deep Learning (DL) as a promising alternative. The effectiveness of current DL techniques typically depends on the availability of high-quantity and high-accuracy datasets, which are yet difficult to obtain in large deformation problems. During the dataset construction process, a dilemma stands between data quantity and data accuracy, leading to suboptimal performance in the DL models. To address this challenge, we focus on a representative application of large deformations, the stretch bending problem, and propose FilDeep, a Fidelity-based Deep Learning framework for large Deformation of elastic-plastic solids. Our FilDeep aims to resolve the quantity-accuracy dilemma by simultaneously training with both low-fidelity and high-fidelity data, where the former provides greater quantity but lower accuracy, while the latter offers higher accuracy but in less quantity. In FilDeep, we provide meticulous designs for the practical large deformation problem. Particularly, we propose attention-enabled cross-fidelity modules to effectively capture long-range physical interactions across MF data. To the best of our knowledge, our FilDeep presents the first DL framework for large deformation problems using MF data. Extensive experiments demonstrate that our FilDeep consistently achieves state-of-the-art performance and can be efficiently deployed in manufacturing.
Abstract（参考訳）: 弾性塑性固体における大きな変形の科学的計算は、様々な製造用途において重要である。従来の数値法ではいくつかの固有の制限があり、Deep Learning (DL) が有望な代替手段となる。現在のDL技術の有効性は一般に、大規模な変形問題において得るのが困難である高精度かつ高精度なデータセットの可用性に依存している。データセット構築プロセスの間、ジレンマはデータ量とデータの精度の間に立ち、DLモデルで最適以下のパフォーマンスをもたらす。この課題に対処するために, 大型変形の代表的な応用, 伸張曲げ問題に着目し, 弾性塑性固体の大変形のためのフィデリティベースディープラーニングフレームワークFilDeepを提案する。我々のFilDeepは、高忠実度データと高忠実度データの両方を同時にトレーニングすることで、量精度のジレンマを解決することを目的としている。 FilDeepでは, 実用的な大変形問題に対して細かな設計を行う。特に,MFデータ間の長距離物理的相互作用を効果的に捉えるために,注目可能なクロスフィデリティモジュールを提案する。我々の知る限り、我々のFilDeepはMFデータを用いた大規模な変形問題に対する最初のDLフレームワークである。大規模な実験により、FilDeepは一貫して最先端のパフォーマンスを達成し、製造に効率的にデプロイできることを示した。

関連論文リスト

LaDEEP: A Deep Learning-based Surrogate Model for Large Deformation of Elastic-Plastic Solids [21.697159152687288]
我々は,textbfElastic-textbfPlastic SolidsのtextbfLarge textbfDeformationのためのディープラーニングに基づく代理モデルであるLaDEEPを紹介する。固体変形の物理的過程を特徴付けるため、2段トランスフォーマーベースのモジュールはトークン列を入力として変形を予測するように設計されている。 LaDEEPは有限要素法よりも5桁高速で、他のディープラーニングのベースラインと比べて平均20.47%向上している。
論文参考訳（メタデータ） (2025-06-06T11:47:37Z)
Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
論文参考訳（メタデータ） (2025-05-25T13:51:17Z)
Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
論文参考訳（メタデータ） (2025-03-24T19:12:39Z)
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)
Filtered Partial Differential Equations: a robust surrogate constraint in physics-informed deep learning framework [1.220743263007369]
そこで本研究では,従来の物理方程式のサロゲート制約(フィルタPDE,FPDE,略してFPDE)を提案し,ノイズおよびスパース観測データの影響を低減した。ノイズ・スパシティ実験では、提案したFPDEモデルは従来のPDEモデルよりも堅牢性が高い。実世界の実験データを物理インフォームドトレーニングに組み込むためには,提案したFPDE制約が有用である。
論文参考訳（メタデータ） (2023-11-07T07:38:23Z)
Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文参考訳（メタデータ） (2023-06-05T04:34:54Z)
To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文参考訳（メタデータ） (2023-05-22T17:02:15Z)
Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。フィールド変数の正確な表現のために,多目的損失関数を提案する。弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文参考訳（メタデータ） (2023-02-19T20:33:32Z)
Using Gradient to Boost the Generalization Performance of Deep Learning Models for Fluid Dynamics [0.0]
本稿では,Deep Learningの一般化能力を高めるための新しい研究について述べる。我々の戦略は、DLネットワークのより良い一般化に向けた良い結果を示している。
論文参考訳（メタデータ） (2022-10-09T10:20:09Z)
Improving Classifier Training Efficiency for Automatic Cyberbullying Detection with Feature Density [58.64907136562178]
言語支援の異なる特徴前処理手法を用いて特徴密度(FD)の有効性を検討した。データセットの複雑さを推定することで、必要な実験の数を削減できると仮定する。データセットの言語的複雑さの違いにより、言語的に支援された単語前処理の有効性を議論することが可能になる。
論文参考訳（メタデータ） (2021-11-02T15:48:28Z)
A physics-informed variational DeepONet for predicting the crack path in brittle materials [3.1196544696082613]
脆性破壊解析のための物理インフォームによるDeepONet(V-DeepONet)の変分定式化を提案する。 V-DeepONetは、欠陥の初期設定を関連する関心領域にマッピングするように訓練されている。脆性破壊の2つのベンチマークによるV-DeepOnetの有効性を実証し,その精度を高忠実度解析器を用いて検証した。
論文参考訳（メタデータ） (2021-08-16T05:31:05Z)

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。