論文の概要: CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data

• arxiv url: http://arxiv.org/abs/2606.14565v1
• Date: Fri, 12 Jun 2026 15:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.96407
• Title: CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data
• Title（参考訳）: CANN-EUCLID:フルフィールドデータによる教師なし構成型ニューラルネットワークモデル発見
• Authors: Benjamin Alheit, Siddhant Kumar, Mathias Peirlinck,
• Abstract要約: 構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。 CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。 ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constitutive artificial neural networks (CANNs) provide interpretable material model discovery, but have so far been used in stress-supervised settings based on apparent stress-strain data from homogeneous tests. Because each test samples only a narrow loading path and provides homogenized rather than local stress information, robust discovery typically requires multiple loading modes to constrain the multidimensional response. This is challenging for soft biological tissues, where repeated testing, damage, and sample variability limit reliable information from a single specimen. Here, we combine CANNs with the stress-unsupervised full-field discovery framework EUCLID to identify sparse hyperelastic laws directly from displacement fields and reaction forces in one heterogeneity-inducing loading case. CANN-EUCLID minimizes equilibrium imbalance with sparsity-promoting regularization selecting compact active terms, without local stress measurements or a prescribed law. We evaluate the approach on isotropic and anisotropic benchmarks with prescribed ground-truth laws. When the ground truth is representable by the chosen CANN basis, our method recovers the correct terms with near-exact accuracy, including exponential terms with embedded parameters. When it is not contained in the basis, the method retains shared terms and approximates missing contributions using available basis functions. Generalization depends strongly on sampled deformation states: exponential strain-stiffening terms can be recovered accurately when sufficiently probed, but can produce large extrapolation errors when the stiffening regime lies outside the sampled domain. Forward FE validation simulations show that the discovered behavior accurately replicates the ground truth. These results establish stress-unsupervised CANN discovery as a promising framework for interpretable full-field constitutive model identification.
• Abstract（参考訳）: 構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供するが、これまでは、均質な試験から生じる見かけの応力-ひずみデータに基づいて、ストレス管理設定に使用されてきた。 それぞれのテストは狭いロードパスのみをサンプリングし、局所的なストレス情報ではなく均質化された情報を提供するため、ロバストな発見は通常、多次元応答を制限するために複数のロードモードを必要とする。 これは、検査、損傷、サンプルの多様性が1つの標本から信頼できる情報を制限するソフトな生体組織にとって難しい。 ここでは,CANNと応力非教師付きフルフィールド発見フレームワークであるEUCLIDを組み合わせることで,不均質誘導ローディングケースの変位場と反応力から直接,スパース超弾性則を同定する。 CANN-EUCLIDは、局所的な応力測定や所定の法則を使わずに、コンパクトな活性項を選択する空間性促進正規化と平衡不均衡を最小化する。 提案手法は, 等方性および異方性ベンチマークに対して, 所定の接地トラス法則を用いて評価する。 基底真理が選択されたCANNベースで表現可能である場合、本手法は、埋め込みパラメータを持つ指数項を含むほぼ正確な精度で正しい項を復元する。 ベースに含まれていない場合、この方法は共有用語を保持し、利用可能な基底関数を用いて欠落した貢献を近似する。 指数的ひずみシュリッフィング項は十分に調査されたときに正確に回収できるが、試料領域の外側に固化状態がある場合、大きな外挿誤差が生じる。 前向きのFE検証シミュレーションでは、発見された振る舞いが基底の真実を正確に再現していることが示されている。 これらの結果は、フルフィールド構成モデル同定のための有望なフレームワークとして、ストレス非教師付きCANN発見を確立する。

関連論文リスト

• When Sample Selection Bias Precipitates Model Collapse [18.23682629353108]
  各検証器が対象多様体の小さな、断片化され、偏りのあるスライスのみを観測する低リソース検証方式において、選択自体がバイアスとなることを示す。 このようなサイロ選択が崩壊を加速し、パワー・ローの多様性の崩壊を引き起こすことを理論的に証明する。
  論文  参考訳（メタデータ） (2026-06-11T11:49:39Z)
• Normative Networks for Source Separation via Local Plasticity and Dendritic Computation [8.607903455924562]
  ブラインドソース分離(ブラインドソース分離、BSS)は、知覚混合物から潜伏原因がどのように回収されるかを研究するためのフレームワークである。 本稿では,局所的な重み更新のみを用いて,BSSの競合性能を実現する予測エントロピー最大化を提案する。
  論文  参考訳（メタデータ） (2026-05-19T15:15:26Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Gene Regulatory Network Inference in the Presence of Dropouts: a Causal View [15.628930397391137]
  遺伝子制御ネットワーク推論(GRNI)は、単一細胞RNAシークエンシングデータにゼロが存在するため、難しい問題である。 本稿では,ドロップアウト機構,すなわちカスルドロップアウトモデルを特徴付ける因果図形モデルを提案する。 データから因果的なドロップアウトモデルを検証することができ、また、ドロップアウトを扱う既存の統計モデルの多くは、特定のパラメトリック・インスタンスとして我々のモデルに適合することを示す。
  論文  参考訳（メタデータ） (2024-03-21T21:27:43Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Tailoring Language Generation Models under Total Variation Distance [55.89964205594829]
  ニューラルネットワーク生成の標準パラダイムは、最適化方法として最大推定(MLE)を採用する。 言語生成に適用するための実践的境界を開発する。 本稿では,TVD推定のトレードオフのバランスをとるためのTaiLr の目標について紹介する。
  論文  参考訳（メタデータ） (2023-02-26T16:32:52Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)

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。