論文の概要: Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models
- arxiv url: http://arxiv.org/abs/2602.17750v1
- Date: Thu, 19 Feb 2026 15:51:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.099961
- Title: Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models
- Title（参考訳）: 非弾性構成的コルモゴロフ・アルノルドネットワーク:解釈可能な非弾性材料モデルの自動発見のための一般化された枠組み
- Authors: Chenyi Ji, Kian P. Abdolazizi, Hagen Holthusen, Christian J. Cyron, Kevin Linka,
- Abstract要約: 非弾性構成型コルモゴロフ・アルノルドネットワーク(iCKAN)を導入する。
iCKANは、材料の弾性挙動と非弾性挙動の両方を記述する、自動化された方法で発見することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A key problem of solid mechanics is the identification of the constitutive law of a material, that is, the relation between strain and stress. Machine learning has lead to considerable advances in this field lately. Here we introduce inelastic Constitutive Kolmogorov-Arnold Networks (iCKANs). This novel artificial neural network architecture can discover in an automated manner symbolic constitutive laws describing both the elastic and inelastic behavior of materials. That is, it can translate data from material testing into corresponding elastic and inelastic potential functions in closed mathematical form. We demonstrate the advantages of iCKANs using both synthetic data and experimental data of the viscoelastic polymer materials VHB 4910 and VHB 4905. The results demonstrate that iCKANs accurately capture complex viscoelastic behavior while preserving physical interpretability. It is a particular strength of iCKANs that they can process not only mechanical data but also arbitrary additional information available about a material (e.g., about temperature-dependent behavior). This makes iCKANs a powerful tool to discover in the future also how specific processing or service conditions affect the properties of materials.
- Abstract（参考訳）: 固体力学の重要な問題は、材料の構成則、すなわちひずみと応力の関係の同定である。
最近、機械学習はこの分野でかなりの進歩を遂げている。
Inelastic Constitutive Kolmogorov-Arnold Networks (iCKANs)を紹介する。
この新しい人工ニューラルネットワークアーキテクチャは、材料の弾性挙動と非弾性挙動の両方を記述した、自動的な構成則を象徴する方法で発見することができる。
すなわち、物質試験から得られたデータを、閉じた数学的形式で対応する弾性および非弾性ポテンシャル関数に変換することができる。
粘弾性高分子材料VHB 4910とVHB 4905の合成データと実験データの両方を用いてiCKANの利点を実証した。
その結果,iCKANは物理的解釈性を保ちながら複雑な粘弾性挙動を正確に捉えることができた。
メカニカルデータだけでなく、材料(例えば温度依存性の挙動)に関する任意の追加情報も処理できることは、ICKANの特別な強みである。
これにより、iCKANsは将来、特定の処理やサービス条件が材料の特性にどのように影響するかを発見できる強力なツールとなる。
関連論文リスト
- Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。
本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。
SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
論文 参考訳（メタデータ） (2025-03-18T02:14:49Z) - A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains [0.0]
非弾性構成型ニューラルネットワーク(iCANN)のための一般化二重ポテンシャル(擬似ポテンシャル)の設計手法を提案する。
このポテンシャルは、大きな変形に対する熱力学的一貫性を本質的に満足する。
その結果,新しいアーキテクチャは解釈可能なモデルやパラメータを頑健に発見し,非弾性の度合いを自律的に明らかにした。
論文 参考訳（メタデータ） (2025-02-19T20:16:45Z) - Automated Model Discovery for Tensional Homeostasis: Constitutive Machine Learning in Growth and Remodeling [0.0]
キネマティック成長とホメオスタティック表面を組み込むことで,非弾性構成型ニューラルネットワーク(iCANN)を拡張した。
実験により得られた組織等価データから材料点レベルで学習するネットワークの能力を評価する。
論文 参考訳（メタデータ） (2024-10-17T15:12:55Z) - Compositional Physical Reasoning of Objects and Events from Videos [122.6862357340911]
本稿では,物体の動きや相互作用から隠れた物理的特性を推定するという課題に対処する。
我々は、ComPhyの最先端ビデオ推論モデルを評価し、これらの隠れプロパティをキャプチャする限られた能力を明らかにする。
また,視覚的および隠れた物理的特性を学習し,原因を解明する,新しいニューロシンボリックな枠組みであるPhysical Concept Reasoner(PCR)を提案する。
論文 参考訳（メタデータ） (2024-08-02T15:19:55Z) - Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks [0.0]
我々は,非弾性人工ニューラルネットワーク(iCANN)の既存の枠組みを,可塑性を取り入れて拡張し,より複雑な物質挙動をモデル化する適用性を高める。
我々のフレームワークは、線形および非線形キネマティック硬化挙動の両方をキャプチャする。
論文 参考訳（メタデータ） (2024-07-27T19:19:42Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Theory and implementation of inelastic Constitutive Artificial Neural
Networks [0.0]
構成型ニューラルネットワーク(CANN)を非弾性材料(iCANN)に拡張する
我々は、iCANNが人工的に生成されたデータのモデルを自動的に発見できることを実証した。
我々のビジョンは、iCANNがデータの中に隠された様々な非弾性現象を発見し、それらの相互作用を理解する新しい方法を明らかにすることである。
論文 参考訳（メタデータ） (2023-11-10T20:13:29Z) - 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) - Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a
framework for data-driven anisotropic nonlinear finite viscoelasticity [0.0]
粘弾性構成型ニューラルネットワーク(vCANN)を紹介する。
vCANNは、有限ひずみにおける異方性非線形粘性のための新しい物理インフォームド機械学習フレームワークである。
我々は,vCANNが人間の指導なしに,これらの素材の挙動を正確に,効率的に把握できることを実証した。
論文 参考訳（メタデータ） (2023-03-21T19:45:59Z) - Curvature-informed multi-task learning for graph networks [56.155331323304]
最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。
この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
論文 参考訳（メタデータ） (2022-08-02T18:18:41Z) - A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文 参考訳（メタデータ） (2022-04-26T05:58:13Z) - Privacy-preserving machine learning with tensor networks [37.01494003138908]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳（メタデータ） (2022-02-24T19:04:35Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z)
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。