論文の概要: Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale

• arxiv url: http://arxiv.org/abs/2603.13445v1
• Date: Fri, 13 Mar 2026 13:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.215533
• Title: Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale
• Title（参考訳）: 原子スケールでの窒化アルミニウムのき裂伝播予測のための拡散型生成機械学習モデル
• Authors: Jiali Lu, Shengfeng Yang,
• Abstract要約: 窒化アルミニウム(AlN)の原子スケールき裂伝播を予測する拡散型生成機械学習モデルを開発した。 このモデルは、応力駆動による亀裂発生、ひび割れの分岐、原子スケールのブリジング靭帯などの動的破壊過程を正確に予測しながら、顕著なスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting atomic-scale crack propagation in aluminum nitride (AlN) is critical for semiconductor reliability but remains prohibitively expensive via molecular dynamics (MD). We develop a diffusion-based generative machine learning model to predict atomic-scale crack propagation in AlN, a critical semiconductor material, by conditioning solely on initial microstructure embeddings. Trained on MD simulations of single-crack systems, the model achieves a significant speedup while accurately forecasting dynamic fracture processes, including stress-driven crack initiation, crack branching, and atomic-scale bridging ligaments. Crucially, it demonstrates inherent physical fidelity by reproducing material-intrinsic mechanisms while disregarding periodic boundary artifacts, and generalizes to unseen multi-crack configurations. Validation against MD ground truth confirms the capability of the model to capture complex fracture physics without auxiliary stress or energy data, enabling rapid exploration of crack-mediated failure for semiconductor reliability optimization.
• Abstract（参考訳）: 窒化アルミニウム(AlN)の原子スケールき裂進展の予測は、半導体の信頼性にとって重要であるが、分子動力学(MD)によっては極めて高価である。 本研究では, 半導体材料AlNの原子スケールき裂伝播を, 初期微細構造埋め込みのみを条件に予測する拡散型生成機械学習モデルを開発した。 シングルラックシステムのMDシミュレーションに基づいて, 応力駆動型亀裂発生, ひび割れ分岐, 原子スケールブリジング靭帯などの動的破壊過程を正確に予測しながら, 大幅な高速化を実現する。 重要なことは、周期的な境界アーティファクトを無視しながら、物質-本質的なメカニズムを再現することで、固有の物理的忠実さを示し、また、目に見えないマルチラック構成に一般化する。 MDグラウンドの真理に対する検証は、補助応力やエネルギーデータなしで複雑な破壊物理を捕捉するモデルの能力を確認し、半導体信頼性の最適化のためにクラックを介する故障の迅速な探索を可能にする。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Revealing the dynamic responses of Pb under shock loading based on DFT-accuracy machine learning potential [7.249532845044911]
  衝撃波の荷重下では、Pbの動的力学挙動は塑性変形と衝撃誘起相転移という2つの重要な現象を含む。 新たに開発したPb-Sn合金に対する機械学習の可能性を利用して, 衝撃荷重による組織変化を再考した。 その結果, Pbの[001]方向に沿った衝撃荷重は, 高速で可逆的で, 大規模な相転移と積層断層の進展を示すことがわかった。
  論文  参考訳（メタデータ） (2025-11-17T05:38:19Z)
• A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials [2.8897045834881343]
  本研究は, 弱い加圧を受ける結晶性エネルギー材料 (EM) におけるホットスポットの形成について検討した。 直接数値シミュレーションに伴う計算課題を克服するため,物理対応リカレント畳み込みニューラルネットワーク(PARCv2)を進歩させる。 PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。
  論文  参考訳（メタデータ） (2025-10-08T14:20:49Z)
• Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model [3.4116927260734506]
  炭素繊維強化複合材料(CFRC)は、その異常な機械的特性により、高度な工学的応用において重要である。 機械的負荷下でのCFRCの挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。 本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-19T02:29:39Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• A Planning-and-Exploring Approach to Extreme-Mechanics Force Fields [1.223779595809275]
  我々は、ひずみ状態の空間のプリサンプリングとアクティブラーニング技術を組み合わせることで、骨折のためのニューラルネットワークベースの力場、NN-F$3$を開発する。 NN-F$3$の能力は、モデル問題としてh-BNおよびツイスト二層グラフェンの破断を研究することによって実証される。
  論文  参考訳（メタデータ） (2023-10-30T06:59:01Z)
• Bayesian Force Fields from Active Learning for Simulation of Inter-Dimensional Transformation of Stanene [3.708456605408296]
  本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。 これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
  論文  参考訳（メタデータ） (2020-08-26T20:27:19Z)

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。