論文の概要: Multi-fidelity surrogates for mechanics of composites: from co-kriging to multi-fidelity neural networks

• arxiv url: http://arxiv.org/abs/2605.02871v1
• Date: Mon, 04 May 2026 17:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.443746
• Title: Multi-fidelity surrogates for mechanics of composites: from co-kriging to multi-fidelity neural networks
• Title（参考訳）: 複合材料力学のための多面体サロゲート-コクリギングから多面体ニューラルネットワーク-
• Authors: Haizhou Wen, Elham Kiyani, Gang Li, Srikanth Pilla, George Em Karniadakis, Zhen Li,
• Abstract要約: 本総説では,複合力学の多要素モデリングについて概観する。 これは、コクリギング、コリージョン化モデル、自己回帰的定式化、非線形自己回帰的ガウス過程、マルチフィデリティニューラルネットワークを含む方法をカバーする。 オープン・イシューの議論では、非線形損傷や製造履歴に関連する状態依存のフィデリティギャップなど、複合材料特有の繰り返し課題が取り上げられている。
• 参考スコア（独自算出の注目度）: 8.668347529363453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composite materials exhibit strongly hierarchical and anisotropic properties governed by coupled mechanisms spanning constituents, plies, laminates, structures, and manufacturing history. This intrinsic complexity makes predictive modeling of composites expensive, because repeated experiments and high-fidelity simulations are needed to cover large design spaces of material, structure, and manufacturing. Multi-fidelity surrogate modeling addresses this challenge by combining abundant, less expensive data with limited high-accuracy data to recover reliable high-fidelity predictions. This review presents a structured overview of multi-fidelity modeling for composite mechanics, covering Gaussian-process or Kriging-based methods, including co-Kriging, coregionalization models, autoregressive formulations, nonlinear autoregressive Gaussian processes, multi-fidelity deep Gaussian processes, and multi-fidelity neural networks. Their distinctions are examined in terms of cross-fidelity correlation, discrepancy representation, uncertainty quantification, and scalability. Selected examples of their applications to composites are introduced according to the roles that multi-fidelity surrogates play in engineering problems, including forward prediction for rapid exploration of material design spaces, inverse optimization for composite parameter identification and design search under limited high-fidelity access, and workflow integration, where heterogeneous data sources, constraints, and validation requirements determine model utility. Open question discussions highlight recurring challenges specific to composites, such as regime-dependent fidelity gaps associated with nonlinear damage and manufacturing history, mismatches between simulations and experiments, and uncertainty propagation across multi-fidelity models.
• Abstract（参考訳）: 複合材料は, 構成成分, プライス, ラミネート, 構造, 製造史にまたがる結合機構によって支配される, 強い階層的および異方性特性を示す。 この本質的な複雑さは、材料、構造、製造の広い設計空間をカバーするために、繰り返しの実験と高忠実度シミュレーションが必要であるため、コンポジットの予測モデリングを高価にする。 マルチフィデリティ・サロゲート・モデリングは、高精細なデータと限られた高精細なデータを組み合わせて信頼性の高い高精細度予測を復元することで、この課題に対処する。 本稿では,複合力学における多面体モデルの概要を概説し,コクリグ,コリージョン化モデル,自己回帰的定式化,非線形自己回帰的ガウス過程,多面体深部ガウス過程,多面体ニューラルネットなど,ガウス過程やクリグイングに基づく手法を概説する。 それらの区別は、相互忠実性相関、差分表現、不確実性定量化、拡張性の観点から検討される。 材料設計空間の高速探索のための前方予測,複合パラメータの同定と設計探索のための逆最適化,およびヘテロジニアスなデータソース,制約,検証要件がモデルユーティリティを決定するワークフロー統合などである。 オープン・イシューの議論では、非線形損傷や製造履歴に関連する状態依存のフィデリティギャップ、シミュレーションと実験のミスマッチ、複数フィデリティモデル間の不確実性伝播など、複合材料に特有の課題が繰り返し議論されている。

関連論文リスト

• On Bayesian Softmax-Gated Mixture-of-Experts Models [95.06359956519759]
  本研究では,ユビキタスソフトマックスに基づくゲーティング機構に着目し,実験モデルの混合について検討する。 本稿では,パラメータ推定とボロノイ型損失に基づく収束保証の導出について分析する。 これらの結果は、ソフトマックスゲーティングによる実験モデルの混合に関する最初の体系的理論的分析の1つである。
  論文  参考訳（メタデータ） (2026-04-22T13:37:00Z)
• CoVAE: correlated multimodal generative modeling [1.9336815376402718]
  モーダル間の相関をキャプチャする新しい生成アーキテクチャであるCorrelated Variational Autoencoders (CoVAE) を紹介する。 我々は,正確なクロスモーダル再構成と関連する不確かさの有効定量化を実証する,多数の実データおよび合成データセット上で,CoVAEを検証した。
  論文  参考訳（メタデータ） (2026-03-02T15:14:59Z)
• Assessing the performance of correlation-based multi-fidelity neural emulators [0.0]
  マルチファイダリティニューラルエミュレータは、限られた高フィダリティデータと豊富な低フィダリティモデルソリューションを統合することで、入出力マッピングを学習するように設計されている。 本研究では,高忠実度データと豊富な低忠実度モデル解を統合することで,入力から出力へのマッピングを学習するためのニューラルネットワークである多忠実度ニューラルネットワークエミュレータの性能について検討する。
  論文  参考訳（メタデータ） (2025-12-02T15:31:21Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
  本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。 提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2024-07-04T14:36:49Z)
• Multifidelity Surrogate Models: A New Data Fusion Perspective [0.0]
  多要素サロゲートモデリングは、異なるソースからの様々な精度とコストのデータを組み合わせる。 戦略的に低忠実度モデルを用いて、迅速な評価を行い、計算資源を節約している。 これは不確実性に対処し、単一忠実性モデルの限界を超えることで意思決定を改善する。
  論文  参考訳（メタデータ） (2024-04-21T11:21:47Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Unsupervised physics-informed disentanglement of multimodal data for high-throughput scientific discovery [4.923937591056569]
  物理インフォームドマルチモーダルオートエンコーダ(PIMA)を紹介する。 PIMAはマルチモーダルな科学データセットで共有情報を発見するための変分推論フレームワークである。 金属添加物製造からの格子状メタマテリアルのデータセットは正確なクロスモーダル推論を示す。
  論文  参考訳（メタデータ） (2022-02-07T14:47:00Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。