論文の概要: Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction

• arxiv url: http://arxiv.org/abs/2606.20983v1
• Date: Thu, 18 Jun 2026 23:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:21:43.218793
• Title: Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction
• Title（参考訳）: 物理誘導型完全畳み込み時空間学習によるデジタルツイン型組織進化予測
• Authors: Michael Trimboli, Wenxi Liu, Xianqi Li,
• Abstract要約: 物理誘導型完全畳み込み学習フレームワークを導入し,構造進化を予測する。 提案手法は, 物理方程式をトレーニング対象に明示的に組み込むことにより, 学習力学が既知の法則と整合性を保つことを奨励する。
• 参考スコア（独自算出の注目度）: 13.239769357659412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and predicting microstructure evolution is central to materials design, yet purely data-driven spatiotemporal learning models often suffer from limited physical consistency and degraded long-term prediction accuracy. In this work, we introduce a physics-guided fully convolutional spatiotemporal learning framework for microstructure evolution prediction. Unlike prior self-supervised approaches, the proposed method explicitly incorporates governing physical equations into the training objective, thereby encouraging the learned dynamics to remain consistent with known thermodynamic and kinetic laws. This physics-guided formulation improves predictive accuracy, long-horizon stability, and robustness across spatial resolutions and temporal prediction settings. Extensive experiments for spinodal decomposition demonstrate that incorporating physics-guided residual regularization leads to more faithful reproduction of microstructural morphology, statistics, and evolution trends compared with purely data-driven baselines. The proposed framework preserves the scalability and computational efficiency of fully convolutional architectures while bridging the gap between high-fidelity physics-based simulations and data-driven surrogate modeling, offering a reliable and efficient surrogate-modeling step toward digital-twin-enabled microstructure evolution prediction.
• Abstract（参考訳）: ミクロ構造の進化を理解し予測することは、材料設計の中心であるが、純粋にデータ駆動の時空間学習モデルは、物理的整合性や長期的な予測精度の低下に悩まされることが多い。 本研究では,物理誘導型完全畳み込み時空間学習フレームワークを提案する。 従来の自己教師型アプローチとは異なり、提案手法は、物理方程式をトレーニング対象に明示的に組み込むことにより、学習力学が既知の熱力学および運動論的法則と整合性を保つことを奨励する。 この物理誘導型定式化は、空間分解能および時間的予測設定における予測精度、長期水平安定性、ロバスト性を改善する。 スピノーダル分解の広範囲な実験は、物理誘導された残留正則化を取り入れることで、純粋にデータ駆動のベースラインと比較して、微細構造、統計、進化の傾向をより忠実に再現できることを示した。 提案フレームワークは,高忠実度物理に基づくシミュレーションとデータ駆動サロゲートモデリングのギャップを埋めつつ,完全な畳み込みアーキテクチャのスケーラビリティと計算効率を保ち,ディジタルツイン対応マイクロ構造進化予測に向けた信頼性と効率的なサロゲートモデリングのステップを提供する。

関連論文リスト

• Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction [0.5437050212139087]
  従来のシミュレーション手法は、複雑な偏微分方程式を微細分解で解く必要があるため高価である。 本稿では, 高精度を維持しつつ, 微構造進化予測を管理する深層学習フレームワークを提案する。 繰り返しニューラルネットワークと比較して、トレーニングと推論の両方において計算コストを大幅に削減した、最先端の予測性能をモデル化した。
  論文  参考訳（メタデータ） (2026-02-23T14:55:28Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Extreme time extrapolation capabilities and thermodynamic consistency of physics-inspired Neural Networks for the 3D microstructure evolution of materials via Cahn-Hilliard flow [0.0]
  畳み込みリカレントニューラルネットワーク(CRNN)は,3次元のスピノーダル分解過程の進化を再現するために訓練される。 特殊で物理学に触発されたアーキテクチャは、予測された進化と基礎的な真実とを密に一致させることが証明されている。
  論文  参考訳（メタデータ） (2024-07-29T15:55:52Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics [6.970705794911342]
  熱力学をモデル化するための物理制約付き制御指向深層学習法を提案する。 具体的には、従来の物理に基づくビルディングモデリングからニューラルネットワーク熱力学モデル構造への構造的先行性を含める。 本研究では,20の温熱領域を有する実世界のオフィスビルディングから得られたデータセットに対して,データ駆動型モデリング手法の有効性と物理的解釈性を示す。
  論文  参考訳（メタデータ） (2020-11-11T06:39:14Z)

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。