論文の概要: Towards knowledge-based workflows: a semantic approach to atomistic simulations for mechanical and thermodynamic properties

• arxiv url: http://arxiv.org/abs/2602.01358v1
• Date: Sun, 01 Feb 2026 17:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.739399
• Title: Towards knowledge-based workflows: a semantic approach to atomistic simulations for mechanical and thermodynamic properties
• Title（参考訳）: 知識に基づくワークフローに向けて--機械的・熱力学的特性に関する原子論シミュレーションのセマンティックアプローチ
• Authors: Abril Azocar Guzman, Hoang-Thien Luu, Sarath Menon, Tilmann Hickel, Nina Merkert, Stefan Sandfeld,
• Abstract要約: アプリケーションと整合したメタデータを組み込んだ再利用可能な原子論アノテーションを提案する。 そこで本研究では,コヒーレントなセマンティック・フレームワーク内で,様々な原子間ポテンシャルや材料にまたがって前駆体を再利用可能であることを示す。 このアプローチは、AI対応のシミュレーションデータを提供し、新たなエージェントAIをサポートし、知識に基づく機械的および熱力学シミュレーションのための一般的な青写真を確立する。
• 参考スコア（独自算出の注目度）: 1.4658400971135652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanical and thermodynamic properties, including the influence of crystal defects, are critical for evaluating materials in engineering applications. Molecular dynamics simulations provide valuable insight into these mechanisms at the atomic scale. However, current practice often relies on fragmented scripts with inconsistent metadata and limited provenance, which hinders reproducibility, interoperability, and reuse. FAIR data principles and workflow-based approaches offer a path to address these limitations. We present reusable atomistic workflows that incorporate metadata annotation aligned with application ontologies, enabling automatic provenance capture and FAIR-compliant data outputs. The workflows cover key mechanical and thermodynamic quantities, including equation of state, elastic tensors, mechanical loading, thermal properties, defect formation energies, and nanoindentation. We demonstrate validation of structure-property relations such as the Hall-Petch effect and show that the workflows can be reused across different interatomic potentials and materials within a coherent semantic framework. The approach provides AI-ready simulation data, supports emerging agentic AI workflows, and establishes a generalizable blueprint for knowledge-based mechanical and thermodynamic simulations.
• Abstract（参考訳）: 結晶欠陥の影響を含む機械的および熱力学的性質は、工学的応用における材料評価に重要である。 分子動力学シミュレーションは、原子スケールでのこれらのメカニズムに関する貴重な洞察を提供する。 しかし、現在のプラクティスは、しばしば、再現性、相互運用性、再利用を妨げる、一貫性のないメタデータと限定的な証明を持つ断片化されたスクリプトに依存している。 FAIRデータ原則とワークフローベースのアプローチは、これらの制限に対処するためのパスを提供します。 本稿では,アプリケーションオントロジーに適合したメタデータアノテーションを組み込んだ再利用可能な原子構造ワークフローを提案する。 ワークフローは、状態方程式、弾性テンソル、機械的荷重、熱的特性、欠陥生成エネルギー、ナノインデンテーションを含む重要な力学的および熱力学的量をカバーする。 本稿では,ホール・ペッチ効果などの構造-適合関係の検証を行い,コヒーレントなセマンティック・フレームワーク内で,異なる原子間ポテンシャルや材料間でワークフローを再利用可能であることを示す。 このアプローチは、AI対応のシミュレーションデータを提供し、新たなエージェントAIワークフローをサポートし、知識に基づく機械的および熱力学シミュレーションのための一般化可能な青写真を確立する。

関連論文リスト

• RheOFormer: A generative transformer model for simulation of complex fluids and flows [10.21291474099901]
  レオロジー演算子変換器(RheoFormer, RheOFormer)は、自己注意を利用して複雑な流体の流れの異なる空間的相互作用や特徴を効率的に学習する生成的演算子学習法である。 その結果、RheOFormerは、限られたデータセットで訓練しても、複雑な流体のスカラーとテンソルの非線形力学の両方を正確に学習できることが示されている。
  論文  参考訳（メタデータ） (2025-10-01T18:49:04Z)
• Training-Free Constrained Generation With Stable Diffusion Models [41.391765899175276]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 既存のテクニックは、遅延拡散フレームワークの適用性に制限されるか、ドメイン固有の制約を厳格に強制する能力に欠ける。 本稿では, 安定拡散モデルと制約付き最適化フレームワークとの新たな統合を提案し, 厳密な物理的および機能的要求を満たす出力の生成を可能にする。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory [4.59916193837551]
  原子論的機械学習(ML)は、情報内容を分析するために教師なし学習やモデル予測に依存していることが多い。 本稿では、原子論シミュレーションにおける情報内容の定量化のための厳密なモデルフリーツールを提供する理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-18T17:50:15Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• Learning Transport Processes with Machine Intelligence [0.0]
  本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。 提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
  論文  参考訳（メタデータ） (2021-09-27T14:49:22Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)

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。