論文の概要: GPT-Micro: A large language paradigm for accelerated, inexpensive, and thermodynamics-consistent discovery of constitutive models in manufacturing

• arxiv url: http://arxiv.org/abs/2606.08238v1
• Date: Sat, 06 Jun 2026 15:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.987406
• Title: GPT-Micro: A large language paradigm for accelerated, inexpensive, and thermodynamics-consistent discovery of constitutive models in manufacturing
• Title（参考訳）: GPT-Micro:製造における構成モデルの加速・安価・熱力学に関する大規模言語パラダイム
• Authors: Soumik Dutta, Kiarash Naghavi Khanghah, Sania Shree, Logan McNeil, Thomas Feldhausen, Hongyi Xu, Rajiv Malhotra,
• Abstract要約: この研究は、自律的、データスパース、熱力学に準拠したデノボモデルの発見のための新しいGPT-Microパラダイムを作成する。 このフレームワークは、文献からの意味的知識抽出、熱力学に基づく保存法の施行、スパースデータセットをシームレスに統合する。 印刷電子プロセステストベッドにおいて、長期の難解なモデリング問題に対する検証を行う。
• 参考スコア（独自算出の注目度）: 4.902321354394725
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Constitutive modeling of the relationship between process-imposed material states and fundamental material properties is critical to control of material microstructure in manufacturing processes. The limited accuracy resulting from the typical reliance on fallible human expertise and intuition for postulation and revision of the models functional form results in incremental and time consuming model discovery. Conventional Machine Learning (ML) incurs significant cost and time of data generation. Model discovery using Large Language Models (LLMs) suffers from the above issues and/or ignores the inviolability of fundamental thermodynamics laws. This work creates a novel GPT-Micro paradigm for autonomous, data sparse, and thermodynamics-compliant discovery of de-novo constitutive models. This framework seamlessly integrates semantic knowledge extraction from literature, enforcement of thermodynamics-based conservation laws, and sparse datasets, with LLM-driven generation and refinement of model hypotheses. Validation is performed for a long-intractable constitutive modeling problem in a printed electronics process testbed. This reveals significant and simultaneous advantages over the state-of-the-art including: (a) More than 70 percent reduction in data burden relative to ML-based modeling without loss in accuracy; (b) 400X reduction in discovery time after data generation, from months to hours, relative to human-driven modeling; (c) Discovery of models with novel functional forms without subjective human choice of a starting hypothesis; (d) Enhanced physics-rooted trustworthiness, human interpretability, and mechanistic insight via synthesis of compact, conservation-compliant, and physically complete analytical models. The potential of GPT-Micro to realize rapid, low-cost, physically trustworthy, and interpretable microstructure modeling across the manufacturing landscape is discussed.
• Abstract（参考訳）: 製造プロセスにおける材料ミクロ組織制御には, プロセス印加材料状態と基本材料特性の関係の構成モデリングが不可欠である。 人間の専門知識への典型的な依存と、機能フォームのポストレーションと修正に対する直感による制限された精度は、インクリメンタルで時間のかかるモデル発見をもたらす。 従来の機械学習(ML)は、データ生成のかなりのコストと時間を生み出します。 LLM(Large Language Models)を用いたモデル発見は、上記の問題に悩まされ、または基本熱力学法則の違反性を無視する。 この研究は、自律的、データスパース、熱力学に準拠したデノボ構成モデルの発見のための新しいGPT-Microパラダイムを作成する。 このフレームワークは、文献からの意味的知識抽出、熱力学に基づく保存法則の施行、スパースデータセットをシームレスに統合し、LLMによるモデル仮説の生成と洗練を図っている。 プリント電子プロセステストベッドにおける長期の難解な構成モデリング問題に対する検証を行う。 これは、以下を含む最先端技術に対する顕著で同時的なアドバンテージを明らかにします。 (a)精度を損なわないMLに基づくモデリングと比較してデータ負担の70%以上削減すること。 ロ 人為的モデリングと比較して、データ生成後の発見時間を数ヶ月から数時間に短縮すること。 (c)開始仮説の主観的人間の選択を伴わない新規な機能形態のモデルの発見 (d)コンパクトで保存に適合し、物理的に完全な分析モデルの合成を通じて、物理学の根本的信頼性、人間の解釈可能性、機械的洞察を高めること。 GPT-Microの高速で低コストで、物理的に信頼でき、かつ解釈可能なマイクロ構造モデリングの実現の可能性について論じる。

関連論文リスト

• Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU) [0.3199881502576702]
  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。
  論文  参考訳（メタデータ） (2026-04-09T03:08:07Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• 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)
• A physics-constrained machine learning method for mapping gapless land surface temperature [6.735896406986559]
  本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。 勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。 純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
  論文  参考訳（メタデータ） (2023-07-03T01:44:48Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• 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)

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。