論文の概要: Adaptive Uncertainty-Guided Surrogates for Efficient phase field Modeling of Dendritic Solidification

• arxiv url: http://arxiv.org/abs/2603.00093v1
• Date: Tue, 17 Feb 2026 10:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.04583
• Title: Adaptive Uncertainty-Guided Surrogates for Efficient phase field Modeling of Dendritic Solidification
• Title（参考訳）: 樹状体凝固の効率的な位相場モデリングのための適応不確かさ誘導型サロゲート
• Abstract要約: 本研究は, 微小XGおよびCNNを用いた不確実性駆動型適応サンプリングを用いた樹状固化反応の代理モデルを提案する。 このフレームワークは、時間選択、適応サンプリング、およびドメインインフォームドデータ駆動サロゲートの選択がX時間モデルの性能にどのように影響するかを体系的に調査する。
• 参考スコア（独自算出の注目度）: 0.24629531282150874
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The high computational cost of phase field simulations remains a major limitation for predicting dendritic solidification in metals, particularly in additive manufacturing, where microstructural control is critical. This work presents a surrogate model for dendritic solidification that employs uncertainty-driven adaptive sampling with XGBoost and CNNs, including a self-supervised strategy, to efficiently approximate the spatio-temporal evolution while reducing costly phase field simulations. The proposed adaptive strategy leverages model uncertainty, approximated via Monte Carlo dropout for CNNs and bagging for XGBoost, to identify high-uncertainty regions where new samples are generated locally within hyperspheres, progressively refining the spatio-temporal design space and achieving accurate predictions with significantly fewer phase field simulations than an Optimal Latin Hypercube Sampling optimized via discrete Particle Swarm Optimization (OLHS-PSO). The framework systematically investigates how temporal instance selection, adaptive sampling, and the choice between domain-informed and data-driven surrogates affect spatio-temporal model performance. Evaluation considers not only computational cost but also the number of expensive phase field simulations, surrogate accuracy, and associated $CO_2$ emissions, providing a comprehensive assessment of model performance as well as their related environmental impact.
• Abstract（参考訳）: 相場シミュレーションの計算コストが高いことは、特に微構造制御が重要な添加物製造において、金属中の樹状体固化を予測するための大きな限界である。 本研究は,XGBoost と CNN を用いた不確かさ駆動適応サンプリングを用いた樹状凝固の代理モデルを提案する。 提案手法は,CNNのモンテカルロ・ドロップアウトとXGBoostのバッグングにより近似されたモデル不確実性を利用して,新標本を超球面内で局所的に生成する高不確実性領域を同定し,時空間を漸進的に精製し,離散粒子群最適化(OLHS-PSO)により最適化された最適ラテンハイパーキューサンプリングよりも位相場シミュレーションを著しく少ない精度で予測する。 このフレームワークは、時間的インスタンスの選択、適応サンプリング、およびドメインインフォームドとデータ駆動サロゲートの選択が時空間モデルの性能にどのように影響するかを体系的に調査する。 評価は計算コストだけでなく、高価な位相場シミュレーション、サロゲート精度、関連するCO_2$エミッションの数も考慮し、モデル性能と関連する環境影響を総合的に評価する。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
  本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。 提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-22T09:10:48Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling [8.15111481608191]
  状態空間モデル(SSM)は、最近、長いシーケンスモデリングタスクにおいて強力なパフォーマンスを達成した。 単分子顕微鏡チャレンジ (PAM-C) は、dStormとDNA-INTモダリティにまたがる10個のSMLMシミュレーションからなるベンチマークデータセットである。 これらのシミュレーションの制御されたサブセットを用いて、状態空間モデルを評価し、性能が時間的不連続性として著しく低下することを発見した。 これらの結果は、実世界の科学画像データで遭遇するスパースで不規則な時間過程に適したシーケンスモデルの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-03-11T20:50:01Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Locally Adaptive Conformal Inference for Operator Models [5.78532405664684]
  演算子モデルに対して関数値の局所適応予測セットを生成するための分散フリーフレームワークであるLocal Sliced Conformal Inference (LSCI)を紹介する。 我々は有限サンプルの有効性を証明し、局所交換性の下でのカバレッジギャップにデータ依存の上限を導出する。 偏りのある予測や分布外雑音に対する空間を実証的に実証する。
  論文  参考訳（メタデータ） (2025-07-28T16:37:56Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees [0.0]
  本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルの組み合わせについて検討する。 マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。 次に、このモデルを用いてケニアの人文的反応を予測し、複雑なサンプリング設計を用いてデータを収集する。
  論文  参考訳（メタデータ） (2023-09-23T05:35:17Z)

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。