論文の概要: Physics-Informed Attention Mechanism and Generalization Capability of Deep Learning-Based Grain Growth Evolution Prediction

• arxiv url: http://arxiv.org/abs/2606.17235v1
• Date: Mon, 15 Jun 2026 19:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.117352
• Title: Physics-Informed Attention Mechanism and Generalization Capability of Deep Learning-Based Grain Growth Evolution Prediction
• Title（参考訳）: Deep Learning-based Grain Growth Evolution Predictionの物理インフォームドアテンション機構と一般化能力
• Authors: Pungponhavoan Tep, Marc Bernacki,
• Abstract要約: 本研究は,3症例を対象とした前回の調査から,訓練モデルの一般化能力を評価した。 ベースラインと物理インフォームドアテンションモデルの両方をOODデータに再トレーニングや微調整を加えることなく評価した。 合成データに基づいてトレーニングされたモデルは、再トレーニングせずに多様なOOD条件に一般化することができ、物理インフォームド・アテンションは、境界形態がトレーニング領域と一致するときに精度を向上させることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) models for grain growth prediction are typically trained on idealized synthetic data, yet practical applications require generalization to conditions outside the training distribution. This study evaluated the Out-Of-Distribution (OOD) generalization capability of the trained model from our previous study across three test cases, including experimental microstructures, microstructures characterized by a bimodal grain size distribution, and abnormal grain growth. To further probe whether physics-informed architectural design could improve robustness under these different conditions, a boundary-masked attention mechanism was proposed specifically for grain growth, constraining attention to grain boundary pixels. Both the baseline and the proposed physics-informed attention model were evaluated without retraining or fine-tuning on the OOD data. Both models successfully generalized to all three test cases, yet the boundary-masked attention mechanism provided substantial improvements, with the most notable gains for microstructures characterized by a bimodal grain size distribution, where Structural Similarity Index Measure (SSIM) improved from \num{0.6221} to \num{0.7609} and mean grain size ($\overline{R}$) error decreased from \SI{8.75}{\percent} to \SI{3.57}{\percent}. The attention heatmap analysis revealed that the boundary-masked attention model learned to concentrate attention on large grain boundaries in a manner consistent with curvature-driven grain growth physics, emerging from training without being explicitly encoded into the architecture. These results indicate that models trained on synthetic data can generalize to diverse OOD conditions without retraining, and that physics-informed attention may improve accuracy when the boundary morphology matches the training domain.
• Abstract（参考訳）: 穀物成長予測のための機械学習(ML)モデルは、典型的には理想化された合成データに基づいて訓練されるが、実際の応用には訓練分布外の条件への一般化が必要である。 本研究は,2モーダル粒径分布を特徴とするミクロ構造,異常粒成長を含む3つの実験事例を対象に,トレーニングモデルのOF-Distribution(OOD)一般化能力を評価した。 物理インフォームド・アーキテクチャーの設計がこれらの異なる条件下で堅牢性を向上させるかどうかをさらに調査するため、粒成長に特化して、粒界画素に注意を拘束するバウンダリマインド・アテンション機構が提案された。 ベースラインと物理インフォームドアテンションモデルの両方をOODデータに再トレーニングや微調整を加えることなく評価した。 どちらのモデルも3つのテストケースすべてに一般化したが、境界マインドアテンション機構は大幅に改善され、構造的類似度指数測定(SSIM)は \num{0.6221} から \num{0.7609} に改善され、平均粒径(\overline{R}$)の誤差は \SI{8.75}{\percent} から \SI{3.57}{\percent} に減少した。 注目熱マップ解析により, 結晶粒界に注意を集中させることが, 結晶粒成長物理と整合して学習され, 構造に明示的にエンコードされることなく, トレーニングから出現することが判明した。 これらの結果は, 合成データに基づいてトレーニングしたモデルが, 再トレーニングを伴わない多様なOOD条件に一般化可能であること, 境界形態がトレーニング領域と一致する場合に, 物理インフォームド・アテンションが精度を向上させることを示唆している。

関連論文リスト

• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data [0.0]
  CuNi合金シミュレーションから得られた結晶配向色トモグラフ画像は、まずオートエンコーダを通して32次元のグローバル特徴ベクトルに圧縮された。 再構成された画像は、最良欠陥のみを省略しつつ、粒界、積み重ね断層、双生児、部分格子回転といった重要なミクロ構造モチーフを保持していた。 支配的な変形パターンを予測するCNN-MLPモデルは、検証データに対して約96%の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-12-05T15:39:13Z)
• Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models [0.9558392439655014]
  結晶成長は材料の機械的挙動に強く影響を与え、その予測がミクロ構造工学の重要な目的となっている。 本研究では、リカレントニューラルネットワーク(RNN)、長期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマーなど、いくつかのディープラーニングアプローチを評価した。 LSTMネットワークは高い精度(90%以上)と最も安定した性能を達成し、拡張水平線上での物理的に一貫した予測を維持した。
  論文  参考訳（メタデータ） (2025-11-07T18:29:42Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph Properties [48.56470855119906]
  本稿では,各推論ステップで隠れ状態表現をクラスタリングすることで抽出した推論グラフの概念を紹介する。 複数のタスクにまたがる巡回性、直径、小世界指数の3つの重要なグラフ理論特性を解析する。
  論文  参考訳（メタデータ） (2025-06-06T05:05:11Z)
• High-fidelity Grain Growth Modeling: Leveraging Deep Learning for Fast Computations [0.0]
  我々は、進化的長期記憶ネットワークとオートエンコーダを組み合わせた機械学習フレームワークを導入し、穀物成長の進化を効率的に予測する。 その結果,我々の機械学習手法は,粒成長予測を最大 SI89 時間高速化することを示した。
  論文  参考訳（メタデータ） (2025-05-08T15:43:40Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Graph convolutional network for predicting abnormal grain growth in Monte Carlo simulations of microstructural evolution [0.0]
  我々は異常粒成長のモンテカルロシミュレーションの大規模なデータセットを生成する。 簡単なグラフ畳み込みネットワークをトレーニングし、どの初期構造が異常な粒成長を示すかを予測する。 グラフニューラルネットワークはコンピュータビジョン法より優れており、予測精度は73%、偽陽性は少ない。
  論文  参考訳（メタデータ） (2021-10-18T13:50:43Z)

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。