論文の概要: AI Meets Plasticity: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2602.01215v1
• Date: Sun, 01 Feb 2026 13:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.664489
• Title: AI Meets Plasticity: A Comprehensive Survey
• Title（参考訳）: AIがプラスチックと出会う: 総合的な調査
• Authors: Hadi Bakhshan, Sima Farshbaf, Junior Ramirez Machado, Fernando Rastellini Canela, Josep Maria Carbonell,
• Abstract要約: 人工知能(AI)は、データ駆動科学という科学発見の新しいパラダイムとして急速に発展しつつある。 材料科学と工学において、AIはすでに変革的な影響を与え始めており、素材の可塑性との相互作用を調べるのに時間と必要の両方を要している。 この研究は、材料の塑性挙動を発見し、サロゲートモデルを構築し、エミュレートするために使用される最先端のAI手法を強調した。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) is rapidly emerging as a new paradigm of scientific discovery, namely data-driven science, across nearly all scientific disciplines. In materials science and engineering, AI has already begun to exert a transformative influence, making it both timely and necessary to examine its interaction with materials plasticity. In this study, we present a holistic survey of the convergence between AI and plasticity, highlighting state-of-the-art AI methodologies employed to discover, construct surrogate models for, and emulate the plastic behavior of materials. From a materials science perspective, we examine cause-and-effect relationships governing plastic deformation, including microstructural characterization and macroscopic responses described through plasticity constitutive models. From the perspective of AI methodology, we review a broad spectrum of applied approaches, ranging from frequentist techniques such as classical machine learning (ML), deep learning (DL), and physics-informed models to probabilistic frameworks that incorporate uncertainty quantification and generative AI methods. These data-driven approaches are discussed in the context of materials characterization and plasticity-related applications. The primary objective of this survey is to develop a comprehensive and well-organized taxonomy grounded in AI methodologies, with particular emphasis on distinguishing critical aspects of these techniques, including model architectures, data requirements, and predictive performance within the specific domain of materials plasticity. By doing so, this work aims to provide a clear road map for researchers and practitioners in the materials community, while offering deeper physical insight and intuition into the role of AI in advancing materials plasticity and characterization, an area of growing importance in the emerging AI-driven era.
• Abstract（参考訳）: 人工知能(AI)は、ほぼすべての科学分野において、データ駆動科学という科学発見の新しいパラダイムとして急速に発展しつつある。 材料科学と工学において、AIはすでに変革的な影響を与え始めており、素材の可塑性との相互作用を調べるのに時間と必要の両方を要している。 本研究では, 材料の塑性挙動を発見し, 構築し, エミュレートするために使用される, 最先端のAI手法を概観した, 塑性とAIの収束に関する総合的な調査を行う。 材料科学の観点から, 塑性構成モデルを用いて記述した微構造的特性やマクロ応答を含む, 塑性変形を規定する原因と効果の関係について検討する。 AI方法論の観点からは、古典的機械学習(ML)、ディープラーニング(DL)、物理インフォームドモデルといった頻繁な手法から、不確実な定量化と生成AI手法を含む確率的フレームワークまで、幅広い応用手法を概観する。 これらのデータ駆動型アプローチは、材料特性と塑性関連応用の文脈で論じられる。 この調査の主な目的は、AI方法論に基づく包括的で組織化された分類学を開発することであり、特に、モデルアーキテクチャ、データ要求、材料可塑性の特定の領域における予測性能など、これらの技術の重要な側面を区別することに焦点を当てている。 この研究は、材料コミュニティにおける研究者や実践者の明確なロードマップを提供することを目標とし、素材の可塑性とキャラクタリゼーションの進展におけるAIの役割に対する、より深い物理的な洞察と直感を提供する。

関連論文リスト

• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Artificial Intelligence in Materials Science and Engineering: Current Landscape, Key Challenges, and Future Trajectorie [0.28279056210896714]
  AIは材料研究者にとって不可欠な能力になりつつある。 我々は、CNN、GNN、Transformersを含む機械学習アプローチのスペクトルを、新たな生成AIと確率モデルとともに調査する。 また、この分野でのデータの役割を重要視し、機械学習モデルの性能をいかに効果的に表現し、成果を上げるかを強調した。
  論文  参考訳（メタデータ） (2026-01-18T19:36:10Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Artificial intelligence approaches for materials-by-design of energetic materials: state-of-the-art, challenges, and future directions [0.0]
  我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。 文献における手法を,少数のデータから学習する能力の観点から評価する。 本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2022-11-15T14:41:11Z)
• Artificial Intelligence in Material Engineering: A review on applications of AI in Material Engineering [0.0]
  高性能コンピューティングにより、重要なパラメータでディープラーニング(DL)モデルをテストできるようになった。 GAN(Generative Adversarial Network)は、無機材料の化学組成の生成を促進する。 既存の分析機器からの結果を分析するためのAIの利用についても論じる。
  論文  参考訳（メタデータ） (2022-09-15T04:21:07Z)

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。