論文の概要: Material-Agnostic Zero-Shot Thermal Inference for Metal Additive Manufacturing via a Parametric PINN Framework

• arxiv url: http://arxiv.org/abs/2604.14562v1
• Date: Thu, 16 Apr 2026 02:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.692051
• Title: Material-Agnostic Zero-Shot Thermal Inference for Metal Additive Manufacturing via a Parametric PINN Framework
• Title（参考訳）: パラメトリックPINNフレームワークによる金属添加物製造のための材料非依存ゼロショット温度推定
• Authors: Hyeonsu Lee, Jihoon Jeong,
• Abstract要約: 本稿では、任意の材料にまたがるゼロショット一般化のための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 各種金属合金におけるベアプレートレーザーパウダーベッド融合(LPBF)実験は, 有効ゼロショット一般化性を示した。
• 参考スコア（独自算出の注目度）: 5.150345428825994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate thermal modeling in metal additive manufacturing (AM) is essential for understanding the process-structure-performance relationship. While prior studies have explored generalization across unseen process conditions, they often require extensive datasets, costly retraining, or pre-training. Generalization across different materials also remains relatively unexplored due to the challenges posed by distinct material-dependent thermal behaviors. This paper introduces a parametric physics-informed neural network (PINN) framework for zero-shot generalization across arbitrary materials without labeled data, retraining, or pre-training. The framework adopts a decoupled parametric PINN architecture that separately encodes material properties and spatiotemporal coordinates, fusing them through conditional modulation to better align with the multiplicative role of material parameters in the governing equation and boundary conditions. Physics-guided output scaling derived from Rosenthal's analytical solution and a hybrid optimization strategy are further incorporated to enhance physical consistency, training stability, and convergence. Experiments on bare plate laser powder bed fusion (LPBF) across diverse metal alloys, including both in-distribution and out-of-distribution cases, demonstrate effective zero-shot generalizability along with superior training efficiency. Specifically, the proposed framework achieved up to a 64.2% reduction in relative L2 error compared to the non-parametric baseline while surpassing its performance within only 4.4% of the baseline training epochs. Ablation studies confirm that the proposed framework's components are broadly applicable to other PINN-based approaches. Overall, the proposed framework provides an efficient and scalable material-agnostic solution for zero-shot thermal modeling, contributing to more flexible and practical deployment in metal AM.
• Abstract（参考訳）: 金属添加物製造(AM)における精密熱モデリングは, プロセス構造と性能の関係を理解する上で不可欠である。 これまでの研究では、目に見えないプロセス条件をまたいだ一般化を探求してきたが、多くの場合、膨大なデータセット、コストのかかる再トレーニング、あるいは事前トレーニングを必要としている。 異なる材料にまたがる一般化は、異なる物質依存の熱的挙動によってもたらされる課題により、比較的未解明のままである。 本稿では、ラベル付きデータやリトレーニング、事前トレーニングを必要とせず、任意の材料にまたがるゼロショット一般化のためのパラメトリック物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 このフレームワークは分離されたパラメトリックPINNアーキテクチャを採用し、材料特性と時空間座標を別々に符号化し、条件変調を通じてそれらを融合させ、支配方程式と境界条件における材料パラメータの乗法的役割とよく整合させる。 ローゼンタールの解析解とハイブリッド最適化戦略から導かれる物理誘導型出力スケーリングは、物理的一貫性、訓練安定性、収束性を高めるためにさらに組み込まれている。 ベアプレートレーザー粉末層融合(LPBF)実験は, 分散性, 分散性の両方を含む各種金属合金を対象とし, 効率的なゼロショット一般化性を示し, 訓練効率も良好であった。 具体的には、提案したフレームワークは、非パラメトリックベースラインと比較して64.2%の相対L2誤差を減少させ、ベースライントレーニングエポックの4.4%で性能を上回った。 アブレーション研究は、提案フレームワークのコンポーネントが他のPINNベースのアプローチに広く適用可能であることを確認した。 提案したフレームワークはゼロショット熱モデリングのための効率的でスケーラブルな物質非依存のソリューションを提供し、金属AMのより柔軟で実用的な展開に寄与する。

関連論文リスト

• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• EPi-cKANs: Elasto-Plasticity Informed Kolmogorov-Arnold Networks Using Chebyshev Polynomials [0.0]
  チェビシェフ型ネットワーク(EPi-cKAN)のエラスト可塑性について述べる。 EPi-cKANは、応力成分の予測に優れた精度を提供し、ブラインド三軸軸対称のひずみ制御荷重経路下での砂弾塑性挙動の予測に使用する場合、より良い精度を示す。
  論文  参考訳（メタデータ） (2024-10-12T16:01:38Z)
• Supervised Machine Learning and Physics based Machine Learning approach for prediction of peak temperature distribution in Additive Friction Stir Deposition of Aluminium Alloy [0.0]
  プロセスパラメータ, サーマルプロファイル, AFSD の相関関係はよく分かっていない。 この研究は、教師付き機械学習(ニューラルネットワーク)と物理情報ネットワーク(PINN)を組み合わせて、プロセスパラメータからAFSDのピーク温度分布を予測する。
  論文  参考訳（メタデータ） (2023-09-13T09:39:42Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)

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。