論文の概要: Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics
- arxiv url: http://arxiv.org/abs/2605.07738v1
- Date: Fri, 08 May 2026 13:46:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.078761
- Title: Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics
- Title（参考訳）: 連続体マイクロメカニクスにおける超弾性の物理インフォームド低次演算子学習
- Authors: Hamidreza Eivazi, Henning Wessels,
- Abstract要約: 物理インフォームド演算子学習は、ミクロ構造の代理モデリングの魅力的な候補である。
Q-DEIMは、ステップごとのトレーニングコストを、フルフィールドの損失評価と比較して約3桁削減する。
基礎構築には少数のオフラインスナップショットロードパスしか頼っていないが、この方法は顕微鏡応力場と均質応力の両方を正確に補間し、外挿する。
- 参考スコア（独自算出の注目度）: 2.8396471469421027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed operator learning is an attractive candidate for surrogate modeling of microstructures, especially in multiscale finite-element simulations. Its practical use, however, is often limited by the high cost of loss evaluation. We address this bottleneck by combining the Equilibrium Neural Operator (EquiNO) with the QR-based discrete empirical interpolation method (Q-DEIM). EquiNO learns only the modal coefficients of reduced displacement-fluctuation and first Piola-Kirchhoff stress representations built from periodic and divergence-free bases, thereby enforcing periodicity and mechanical equilibrium by construction. Q-DEIM then identifies a small set of spatial points through a column-pivoted QR factorization of the stress basis and restricts constitutive evaluations during training to these points alone. This makes full-batch second-order optimization practical for three-dimensional representative volume elements (RVEs). Homogenized first Piola-Kirchhoff stresses are recovered directly from the offline-averaged reduced stress modes, without the need to reconstruct the full stress field at inference time. We validate the framework on two three-dimensional finite-strain hyperelastic RVEs. Q-DEIM reduces the per-step training cost by roughly three orders of magnitude relative to full-field loss evaluation, while reduced homogenization achieves speed-up factors of order $10^3$ to $10^4$ over direct full-field computations. Despite relying on only a small number of offline snapshot loading paths for basis construction, the method accurately interpolates and extrapolates both microscopic stress fields and homogenized stresses, with prediction quality improving systematically as more snapshots are added.
- Abstract（参考訳）: 物理インフォームド演算子学習は、特にマルチスケール有限要素シミュレーションにおいて、ミクロ構造の代理モデリングの魅力的な候補である。
しかし、その実用的利用は、しばしば高い損失評価のコストによって制限される。
このボトルネックに対処するために、Equilibrium Neural Operator (EquiNO) とQRベースの離散的経験補間法 (Q-DEIM) を組み合わせる。
エキノは、周期的およびばらつきのない基底から構築された変位変動の緩和係数と第1ピオラ・キルヒホフ応力表現のみを学習し、建設によって周期性と機械的平衡を強制する。
その後、Q-DEIMは、応力基底のコラムピボットQR因子化を通して小さな空間点を識別し、トレーニング中の構成的評価をこれらの点のみに制限する。
これにより、3次元代表体積要素(RVE)のフルバッチ2次最適化が実用化される。
均一化された第1ピオラ・キルヒホフ応力は、推定時に全応力場を再構築することなく、オフライン平均縮小応力モードから直接回収される。
この枠組みを2つの3次元有限ひずみ超弾性RVE上で検証する。
Q-DEIMは、ステップごとのトレーニングコストを、フルフィールドの損失評価と比較して約3桁削減する一方、均質化の削減は、直接フルフィールドの計算よりも10^3$から10^4$のスピードアップ係数を達成する。
基礎構築には少数のオフラインスナップショットロードパスしか頼っていないが、顕微鏡応力場と均質応力の両方を正確に補間・補間し、より多くのスナップショットを追加して予測品質を体系的に改善する。
関連論文リスト
- Neural Control: Adjoint Learning Through Equilibrium Constraints [7.41073008855977]
トラジェクトリに依存した,メモリ効率のよいプロキシ勾配を演算する境界制御フレームワークを提案する。
本研究では,SPSAやCEMなどの勾配のないベースラインの性能向上を示す。
論文 参考訳（メタデータ） (2026-05-05T02:19:37Z) - Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations [0.3024996106292169]
第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。
本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-28T22:04:05Z) - Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。
MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
論文 参考訳（メタデータ） (2026-03-18T09:41:01Z) - A Replicate-and-Quantize Strategy for Plug-and-Play Load Balancing of Sparse Mixture-of-Experts LLMs [64.8510381475827]
SMOE(Sparse Mixture-of-Experts)アーキテクチャは、大規模言語モデルを効率的にスケールするためにますます使われている。
SMoEモデルは専門家間で厳しい負荷不均衡に悩まされることが多く、専門家のごく一部がほとんどのトークンを受け取り、他のモデルは未利用である。
推定中のエキスパートルーティングの体系的解析を行い, (i) 負荷不均衡が持続し, バッチサイズが大きくなる, (ii) 選択頻度が, 専門家の重要度を確実に反映しない, (iii) 専門家の全体負荷と重要性を, キャリブレーションセットを用いて推定できる,という3つの知見を同定する。
論文 参考訳（メタデータ） (2026-02-23T15:11:16Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Optimal Sample Complexity for Single Time-Scale Actor-Critic with Momentum [62.691095807959215]
我々は,シングルタイムスケールアクター・クリティック(AC)アルゴリズムを用いて,$O(-2)$の最適なグローバルポリシを得るための最適なサンプル複雑性を確立する。
これらのメカニズムは、既存のディープラーニングアーキテクチャと互換性があり、実用的な適用性を損なうことなく、小さな修正しか必要としない。
論文 参考訳（メタデータ） (2026-02-02T00:35:42Z) - Physics-Informed Graph Neural Networks to Reconstruct Local Fields Considering Finite Strain Hyperelasticity [0.2999888908665658]
我々はP-DivGNNと呼ばれる物理インフォームド機械学習フレームワークを提案し、局所的な応力場をマイクロスケールで再構築する。
我々は局所的な応力場分布を復元することができ、マクロスケールで平均場還元秩序モデル(ROM)や有限要素シミュレーションによって生成される平均応力値を提供する。
論文 参考訳（メタデータ） (2025-07-05T13:11:31Z) - PhysicsCorrect: A Training-Free Approach for Stable Neural PDE Simulations [4.7903561901859355]
予測ステップ毎にPDE整合性を強制する,トレーニング不要な修正フレームワークであるNyberCorrectを提案する。
私たちの重要なイノベーションは、オフラインのウォームアップフェーズでJacobianとその擬似逆をプリ計算する効率的なキャッシュ戦略です。
3つの代表的なPDEシステムにおいて、物理コレクトは予測誤差を最大100倍に削減し、無視可能な推論時間を加算する。
論文 参考訳（メタデータ） (2025-07-03T01:22:57Z) - Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。
正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。
また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
論文 参考訳（メタデータ） (2025-04-11T06:16:30Z) - On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。
アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
論文 参考訳（メタデータ） (2023-12-13T02:11:07Z)
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。