論文の概要: BOxCrete: A Bayesian Optimization Open-Source AI Model for Concrete Strength Forecasting and Mix Optimization

• arxiv url: http://arxiv.org/abs/2603.21525v1
• Date: Mon, 23 Mar 2026 03:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.463963
• Title: BOxCrete: A Bayesian Optimization Open-Source AI Model for Concrete Strength Forecasting and Mix Optimization
• Title（参考訳）: BOxCrete:コンクリート強度予測と混合最適化のためのベイズ最適化オープンソースAIモデル
• Authors: Bayezid Baten, M. Ayyan Iqbal, Sebastian Ament, Julius Kusuma, Nishant Garg,
• Abstract要約: 現代のコンクリートは、機械的性能、作業性、耐久性、持続可能性に対する要求が進化していることを満たさなければならない。 人工知能(AI)と機械学習(ML)モデルを活用した最近の研究は、圧縮強度の予測と混合最適化の指針となることを示唆している。 ここでは,500以上の強度測定を行う新しいオープンアクセスデータセットに基づいてトレーニングされた,オープンソースの確率的モデリングおよび最適化フレームワークであるBOxCreteを紹介する。
• 参考スコア（独自算出の注目度）: 2.491722440077456
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modern concrete must simultaneously satisfy evolving demands for mechanical performance, workability, durability, and sustainability, making mix designs increasingly complex. Recent studies leveraging Artificial Intelligence (AI) and Machine Learning (ML) models show promise for predicting compressive strength and guiding mix optimization, but most existing efforts are based on proprietary industrial datasets and closed-source implementations. Here we introduce BOxCrete, an open-source probabilistic modeling and optimization framework trained on a new open-access dataset of over 500 strength measurements (1-15 ksi) from 123 mixtures - 69 mortar and 54 concrete mixes tested at five curing ages (1, 3, 5, 14, and 28 days). BOxCrete leverages Gaussian Process (GP) regression to predict strength development, achieving average R$^2$ = 0.94 and RMSE = 0.69 ksi, quantify uncertainty, and carry out multi-objective optimization of compressive strength and embodied carbon. The dataset and model establish a reproducible open-source foundation for data-driven development of AI-based optimized mix designs.
• Abstract（参考訳）: 現代のコンクリートは、機械的性能、作業性、耐久性、持続可能性に対する要求を同時に満たさなければならない。 人工知能(AI)と機械学習(ML)モデルを活用する最近の研究は、圧縮強度の予測と混合最適化の導出を約束していることを示しているが、既存の取り組みのほとんどは、プロプライエタリな産業データセットとクローズドソース実装に基づいている。 ここでは、オープンソースの確率論的モデリングおよび最適化フレームワークBOxCreteを紹介します。123の混合品(69モルタルと54のコンクリート混合物)から500以上の強度測定(1～15ksi)のオープンアクセスデータセットをトレーニングし、5つの硬化年齢(1, 3, 5, 14, 28日)でテストします。 BOxCrete はガウス過程 (GP) の回帰を利用して強度発現を予測し、平均 R$^2$ = 0.94 と RMSE = 0.69 ksi を達成し、不確実性を定量化し、圧縮強度と炭素を多目的に最適化する。 このデータセットとモデルは、AIベースの最適化ミックスデザインのデータ駆動開発のための再現可能なオープンソース基盤を確立する。

関連論文リスト

• Resource-constrained Amazons chess decision framework integrating large language models and graph attention [49.68148244247448]
  ゲーム・オブ・ザ・アマゾンのための軽量ハイブリッドフレームワークを提案する。 グラフに基づく学習の構造的推論と,大規模言語モデルの生成能力を統合する。 我々の枠組みは騒音と不完全な監督から学んでいる。
  論文  参考訳（メタデータ） (2026-03-11T08:07:55Z)
• Active Learning Strategies for Efficient Machine-Learned Interatomic Potentials Across Diverse Material Systems [0.0]
  我々は、機械学習による原子間ポテンシャルに対する情報的学習構造を反復的に選択する能動的学習フレームワークを開発する。 知的データ選択戦略は、ランダムなベースラインに比べてラベル付きサンプルを5-13%減らして目標精度を達成できることを示す。 パイプライン全体は、Google Colab上で8GB以下のRAMを使用して、システム毎に4時間以内で実行される。
  論文  参考訳（メタデータ） (2026-01-11T13:52:28Z)
• Robust Tabular Foundation Models [0.7539295827164078]
  重要な発見は、TFMは完全に合成データセット上で事前訓練可能であることである。 TFM性能と最高の達成可能な性能の差から得られる最適性ギャップ尺度を導入する。 これらの結果は、合成データのみを用いて、ターゲットとなる敵の訓練とTFMの微調整のための有望な新しいデータセットを浮き彫りにした。
  論文  参考訳（メタデータ） (2025-12-02T23:40:39Z)
• MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
  ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。 我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。 トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
  論文  参考訳（メタデータ） (2025-10-09T17:53:58Z)
• ADMIRE-BayesOpt: Accelerated Data MIxture RE-weighting for Language Models with Bayesian Optimization [11.433087692377779]
  本稿では,100万から70億のパラメータを対象とするモデルを対象とした事前学習と指導の微調整について述べる。 我々は,幅広いベースラインに対して一貫して強い結果を示し,500%以上のスピードアップを実現した。 さらに、ADMIRE IFT Runsという460のフルトレーニングと評価のデータセットを13,000時間以上のGPU時間で共有することで、研究へのアクセスを拡大しています。
  論文  参考訳（メタデータ） (2025-08-15T15:53:09Z)
• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [0.9282594860064428]
  本研究では,浸透率予測のための新しいディープラーニング型LSTM-Trans-Mixer-Attフレームワークを提案する。 提案するフレームワークは、シーケンシャルメモリ、静的特徴相互作用、グローバルコンテキスト学習、動的特徴重み付けを組み合わせたものである。 実世界の掘削データセットに対する実験的検証は優れた性能を示し、Rsquareは0.9991、MAPEは1.447%である。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• Efficient Federated Learning with Timely Update Dissemination [54.668309196009204]
  分散データ管理のための魅力的な方法論として、フェデレートラーニング(FL)が登場した。 そこで本稿では,ダウンリンクの帯域幅を削減し,タイムリーな更新を確実にするための効率的なFL手法を提案する。
  論文  参考訳（メタデータ） (2025-07-08T14:34:32Z)
• Can Mixture-of-Experts Surpass Dense LLMs Under Strictly Equal Resources? [58.56306556151929]
  Mixture-of-Experts (MoE)言語モデルは、モデルキャパシティを劇的に拡張し、トーケン毎の計算量を増やすことなく優れたパフォーマンスを達成する。 MoEsは厳密なリソース制約の下で密集したアーキテクチャを超えることができるか? 最適領域における活性化率を持つMoEモデルは,同じパラメータ,トレーニング計算,およびデータ資源の下で,その密度の高いモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-13T17:59:05Z)
• iTool: Reinforced Fine-Tuning with Dynamic Deficiency Calibration for Advanced Tool Use [56.31110409360567]
  大規模な言語モデルを外部ツールで拡張することは、その機能を強化するための有望なアプローチである。 その結果, 合成データの増加に伴い, トレーニングは著しく低下することがわかった。 我々は,この制限を緩和するために,反復的に強化された微調整戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-15T04:52:34Z)

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。