論文の概要: Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU)
- arxiv url: http://arxiv.org/abs/2604.07746v1
- Date: Thu, 09 Apr 2026 03:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.660173
- Title: Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU)
- Title（参考訳）: 多モードデータからの高速構成モデル発見に向けて:物理増強有限要素モデル更新(paFEMU)
- Authors: Jingye Tan, Govinda Anantha Padmanabha, Steven J. Yang, Nikolaos Bouklas,
- Abstract要約: 本稿では,AIを用いたモデリング,解釈可能なモデル発見のためのスペーサー化,有限要素ベース拡張を組み合わせた移動学習手法として,物理拡張有限要素モデル更新(paFEMU)を導入する。
これは、デジタル画像相関型フルフィールドデータ取得と、おそらく別の材料から得られる単純な機械的テストデータを組み合わせることで達成される。
- 参考スコア（独自算出の注目度）: 0.3199881502576702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent progress in AI-enabled constitutive modeling has concentrated on moving from a purely data-driven paradigm to the enforcement of physical constraints and mechanistic principles, a concept referred to as physics augmentation. Classical phenomenological approaches rely on selecting a pre-defined model and calibrating its parameters, while machine learning methods often focus on discovery of the model itself. Sparse regression approaches lie in between, where large libraries of pre-defined models are probed during calibration. Sparsification in the aforementioned paradigm, but also in the context of neural network architecture, has been shown to enable interpretability, uncertainty quantification, but also heterogeneous software integration due to the low-dimensional nature of the resulting models. Most works in AI-enabled constitutive modeling have also focused on data from a single source, but in reality, materials modeling workflows can contain data from many different sources (multi-modal data), and also from testing other materials within the same materials class (multi-fidelity data). In this work, we introduce physics augmented finite element model updating (paFEMU), as a transfer learning approach that combines AI-enabled constitutive modeling, sparsification for interpretable model discovery, and finite element-based adjoint optimization utilizing multi-modal data. This is achieved by combining simple mechanical testing data, potentially from a distinct material, with digital image correlation-type full-field data acquisition to ultimately enable rapid constitutive modeling discovery. The simplicity of the sparse representation enables easy integration of neural constitutive models in existing finite element workflows, and also enables low-dimensional updating during transfer learning.
- Abstract（参考訳）: AIを活用した構成的モデリングの最近の進歩は、純粋にデータ駆動のパラダイムから、物理の制約と機械的原則の実施への移行に集中している。
古典的な現象学的アプローチは、事前定義されたモデルの選択とパラメータの校正に依存し、機械学習の手法はモデル自体の発見に集中することが多い。
スパース回帰アプローチは、キャリブレーション中に事前定義されたモデルの大規模なライブラリが探索される中間に位置する。
上記のパラダイムのスパシフィケーションは、ニューラルネットワークアーキテクチャの文脈でも、解釈可能性、不確かさの定量化だけでなく、結果として生じるモデルの低次元の性質のために異質なソフトウェア統合を可能にすることが示されている。
AI可能な構成的モデリングにおけるほとんどの研究は、単一のソースからのデータにも焦点を当てているが、実際には、マテリアルモデリングワークフローは、さまざまなソース(マルチモーダルデータ)のデータを含むことができ、同じ素材クラス(マルチモーダルデータ)内の他の材料をテストすることができる。
本研究では,AIを用いた構成的モデリング,解釈可能なモデル探索のためのスパース化,およびマルチモーダルデータを用いた有限要素ベース随伴最適化を組み合わせた移動学習手法として,物理拡張有限要素モデル更新(paFEMU)を導入する。
これは、単純な機械的テストデータとデジタル画像相関型フルフィールドデータ取得を組み合わせることで、究極的には素早い構成的モデリング発見を可能にする。
スパース表現の単純さは、既存の有限要素ワークフローにおけるニューラル構成モデルの容易な統合を可能にし、転送学習中の低次元更新を可能にする。
関連論文リスト
- Monotone Peridynamic Neural Operator for Nonlinear Material Modeling with Conditionally Unique Solutions [8.178003326156418]
ニューラル演算子に基づく新しいデータ駆動非局所モデル学習手法であるモノトンペリダイナミックニューラル演算子(MPNO)を導入する。
MPNOは非局所核と非線形関係を学習し、モノトーン勾配ネットワークを通じて解の特異性を保証する。
我々は,MPNOが従来のニューラルネットワークよりも優れた一般化能力を示すことを示す。
論文 参考訳（メタデータ） (2025-05-02T07:10:31Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳（メタデータ） (2022-03-15T19:08:13Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - A machine learning based plasticity model using proper orthogonal
decomposition [0.0]
データ駆動の物質モデルは、古典的な数値的アプローチよりも多くの利点がある。
データ駆動型マテリアルモデルを開発する1つのアプローチは、機械学習ツールを使用することである。
弾性と塑性の両面において,機械学習に基づく材料モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-07T15:46:16Z)
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。