論文の概要: A Hybrid Conditional Diffusion-DeepONet Framework for High-Fidelity Stress Prediction in Hyperelastic Materials

• arxiv url: http://arxiv.org/abs/2603.18225v1
• Date: Wed, 18 Mar 2026 19:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.826992
• Title: A Hybrid Conditional Diffusion-DeepONet Framework for High-Fidelity Stress Prediction in Hyperelastic Materials
• Title（参考訳）: 超弾性材料の高密度応力予測のためのハイブリッド条件拡散ディープONetフレームワーク
• Authors: Purna Vindhya Kota, Meer Mehran Rashid, Somdatta Goswami, Lori Graham-Brady,
• Abstract要約: cDDPM-DeepONetは、UNetのバックボーン上に構築された条件付き拡散確率モデルである。 修正されたDeepONetは、グローバルなスケーリングパラメータを予測し、フル解像度の物理的ストレスマップの再構築を可能にする。 提案したモデルは、UNet、DeepONet、スタンドアロンのcDDPMベースラインを1～2桁上回っている。
• 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 stress fields in hyperelastic materials with complex microstructures remains challenging for traditional deep learning surrogates, which struggle to capture both sharp stress concentrations and the wide dynamic range of stress magnitudes. Convolutional architectures such as UNet tend to oversmooth high-frequency gradients, while neural operators like DeepONet exhibit spectral bias and underpredict localized extremes. Diffusion models can recover fine-scale structure but often introduce low-frequency amplitude drift, degrading physical scaling. To address these limitations, we propose a hybrid surrogate framework, cDDPM-DeepONet, that decouples stress morphology from magnitude. A conditional denoising diffusion probabilistic model (cDDPM), built on a UNet backbone, generates normalized von Mises stress fields conditioned on geometry and loading. In parallel, a modified DeepONet predicts global scaling parameters (minimum and maximum stress), enabling reconstruction of full-resolution physical stress maps. This separation allows the diffusion model to focus on spatial structure while the operator network corrects global amplitude, mitigating spectral and scaling biases. We evaluate the framework on nonlinear hyperelastic datasets with single and multiple polygonal voids. The proposed model consistently outperforms UNet, DeepONet, and standalone cDDPM baselines by one to two orders of magnitude. Spectral analysis shows strong agreement with finite element solutions across all wavenumbers, preserving both global behavior and localized stress concentrations.
• Abstract（参考訳）: 複雑なミクロ構造を持つ超弾性材料の応力場を予測することは、鋭い応力集中と広い動的範囲の応力等級の両方を捉えるのに苦慮する従来の深層学習サロゲートにとって依然として困難である。 UNetのような畳み込みアーキテクチャは高周波勾配を平滑にしがちだが、DeepONetのようなニューラル演算子はスペクトルバイアスを示し、局所的極性を予測する。 拡散モデルは微細な構造を復元することができるが、しばしば低周波振幅のドリフトを導入し、物理的スケーリングを低下させる。 これらの制約に対処するため, 応力形態を大域から切り離すハイブリッドサロゲートフレームワークであるcDDPM-DeepONetを提案する。 UNetのバックボーン上に構築された条件付き拡散確率モデル (cDDPM) は、幾何とローディングを条件とした正規化von Mises応力場を生成する。 並行して、修正されたDeepONetは、グローバルなスケーリングパラメータ(最小および最大応力)を予測し、フル解像度の物理的ストレスマップの再構築を可能にする。 この分離により、拡散モデルは空間構造に焦点を合わせ、オペレーターネットワークはグローバル振幅を補正し、スペクトルとスケーリングバイアスを緩和する。 複数の多角形空隙を持つ非線形超弾性データセットの枠組みについて検討した。 提案したモデルは、UNet、DeepONet、スタンドアロンのcDDPMベースラインを1～2桁上回っている。 スペクトル解析は、全波数にわたる有限要素解と強い一致を示し、大域的挙動と局所的な応力集中の両方を保存する。

関連論文リスト

• From Complex Dynamics to DynFormer: Rethinking Transformers for PDEs [6.873342825786888]
  トランスフォーマーベースのニューラルオペレータは、強力なデータ駆動型代替手段として登場した。 動的インフォームドニューラル演算子DynFormerを提案する。 我々はDynFormerが、最先端のベースラインと比較して95%の相対誤差を削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-03T15:45:09Z)
• Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions [0.0]
  本稿では,圧縮不能なインビシッドフローを解くことができる完全データフリーな物理情報ニューラルネットワーク(PINN)を提案する。 提案するフレームワークは,参照データなしで離弓衝撃を捕捉する。
  論文  参考訳（メタデータ） (2026-03-01T09:04:18Z)
• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Lazy Diffusion: Mitigating spectral collapse in generative diffusion-based stable autoregressive emulation of turbulent flows [0.0]
  標準DDPMは基本的な赤外崩壊を引き起こすことを示す。 拡散時間内に微細構造を深く保存するパワー・ロー・スケジュールを導入する。 これらの手法はレイノルズ数2Dコルモゴロフ乱流とメキシコ湾の1/12円の海面再解析に応用される。
  論文  参考訳（メタデータ） (2025-12-10T12:05:32Z)
• Bayesian Fully-Connected Tensor Network for Hyperspectral-Multispectral Image Fusion [20.64193953092791]
  ハイパースペクトル・マルチスペクトル画像融合のための完全接続ネットワーク(BFCTN)分解法を提案する。 BFCTNは、最先端の核融合精度と強靭性を達成するだけでなく、複雑な実世界のシナリオにも実用的な適用性を示す。
  論文  参考訳（メタデータ） (2025-10-21T08:19:54Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Global Stress Generation and Spatiotemporal Super-Resolution Physics-Informed Operator under Dynamic Loading for Two-Phase Random Materials [4.696265806758292]
  動的荷重下では、ランダム材料における材料破壊は、しばしば応力集中と関連している。 本研究では,動的負荷下でのTRMにおける大域的応力発生と超時間分解能の枠組みを提案する。 データ駆動・物理インフォームド損失関数の重み付けがモデル精度に及ぼす影響を詳細に検討した。
  論文  参考訳（メタデータ） (2025-04-26T08:37:29Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。