論文の概要: Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction

• arxiv url: http://arxiv.org/abs/2602.19915v1
• Date: Mon, 23 Feb 2026 14:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.865165
• Title: Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction
• Title（参考訳）: 組織進化予測のための完全畳み込み時空間学習
• Authors: Michael Trimboli, Mohammed Alsubaie, Sirani M. Perera, Ke-Gang Wang, Xianqi Li,
• Abstract要約: 従来のシミュレーション手法は、複雑な偏微分方程式を微細分解で解く必要があるため高価である。 本稿では, 高精度を維持しつつ, 微構造進化予測を管理する深層学習フレームワークを提案する。 繰り返しニューラルネットワークと比較して、トレーニングと推論の両方において計算コストを大幅に削減した、最先端の予測性能をモデル化した。
• 参考スコア（独自算出の注目度）: 0.5437050212139087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and predicting microstructure evolution is fundamental to materials science, as it governs the resulting properties and performance of materials. Traditional simulation methods, such as phase-field models, offer high-fidelity results but are computationally expensive due to the need to solve complex partial differential equations at fine spatiotemporal resolutions. To address this challenge, we propose a deep learning-based framework that accelerates microstructure evolution predictions while maintaining high accuracy. Our approach utilizes a fully convolutional spatiotemporal model trained in a self-supervised manner using sequential images generated from simulations of microstructural processes, including grain growth and spinodal decomposition. The trained neural network effectively learns the underlying physical dynamics and can accurately capture both short-term local behaviors and long-term statistical properties of evolving microstructures, while also demonstrating generalization to unseen spatiotemporal domains and variations in configuration and material parameters. Compared to recurrent neural architectures, our model achieves state-of-the-art predictive performance with significantly reduced computational cost in both training and inference. This work establishes a robust baseline for spatiotemporal learning in materials science and offers a scalable, data-driven alternative for fast and reliable microstructure simulations.
• Abstract（参考訳）: ミクロ構造進化の理解と予測は材料科学の基礎であり、材料の性質と性能を制御している。 位相場モデルのような従来のシミュレーション手法は、高忠実度の結果を提供するが、微細な時空間分解で複素偏微分方程式を解く必要があるため、計算コストが高い。 この課題に対処するため,我々は,高精度を維持しつつ,ミクロ組織進化予測を高速化するディープラーニングベースのフレームワークを提案する。 本手法では, 粒成長やスピノダル分解などの微構造過程のシミュレーションから生成した逐次的画像を用いて, 自己教師型で訓練した完全畳み込み時空間モデルを用いる。 トレーニングされたニューラルネットワークは、基礎となる物理力学を効果的に学習し、進化するミクロ構造の短期的な局所的挙動と長期的な統計特性の両方を正確に捉えながら、時空間領域や構成や材料パラメータの変動を可視化する。 繰り返しニューラルネットワークと比較して,本モデルでは,トレーニングと推論の双方において,計算コストを大幅に削減し,最先端の予測性能を実現する。 この研究は、材料科学における時空間学習のための堅牢なベースラインを確立し、高速で信頼性の高いマイクロ構造シミュレーションのためのスケーラブルでデータ駆動の代替手段を提供する。

関連論文リスト

• Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation [0.0]
  位相場モデルは微細構造の進化を正確にシミュレートするが、複雑な微分方程式の解法に依存するため計算コストがかかる。 この研究は、立方体スプライン補間と球面線形補間(SLERP)を組み合わせた変分オートエンコーダ(CVAE)を利用して、新しいディープラーニングベースのフレームワークを通じて大きな加速を実現する。 本研究では, 中間合金組成の微細構造変化を, 限られたトレーニング組成から予測し, 二元系スピノダル分解の手法を実証する。
  論文  参考訳（メタデータ） (2025-08-03T16:22:15Z)
• evoxels: A differentiable physics framework for voxel-based microstructure simulations [41.94295877935867]
  微分可能な物理フレームワークであるevoxelsは、完全にPythonで統一されたボクセルベースのアプローチに基づいており、セグメント化された3D顕微鏡データ、物理シミュレーション、逆モデリング、機械学習を統合している。
  論文  参考訳（メタデータ） (2025-07-29T12:29:15Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。 伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。 本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Extreme time extrapolation capabilities and thermodynamic consistency of physics-inspired Neural Networks for the 3D microstructure evolution of materials via Cahn-Hilliard flow [0.0]
  畳み込みリカレントニューラルネットワーク(CRNN)は,3次元のスピノーダル分解過程の進化を再現するために訓練される。 特殊で物理学に触発されたアーキテクチャは、予測された進化と基礎的な真実とを密に一致させることが証明されている。
  論文  参考訳（メタデータ） (2024-07-29T15:55:52Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。