論文の概要: Interface-Aware Neural Newton Preconditioning for Robust Cohesive Zone Model Simulations

• arxiv url: http://arxiv.org/abs/2606.31921v1
• Date: Tue, 30 Jun 2026 16:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.314698
• Title: Interface-Aware Neural Newton Preconditioning for Robust Cohesive Zone Model Simulations
• Title（参考訳）: ロバスト結合型ゾーンモデルシミュレーションのためのインタフェース対応ニューラルニュートンプレコンディショニング
• Abstract要約: 難しい結合性ゾーンモデル(CZM)のためのインタフェース対応ニューラルニュートンプレコンディショナー(IA-NNP) IA-NNPはルールベースのインタフェースリフトとして手動NR修正をリキャストし、それを学習された状態依存インタフェース修正に一般化する。 テストでは、標準のNRや手動のNR修正よりも、コンバージェンスの改善、分岐回復の改善、障害の少ないことが示されている。
• 参考スコア（独自算出の注目度）: 0.24554686192257416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cohesive Zone Models (CZMs) are widely used to simulate interface fracture, delamination, adhesive failure, and fiber--matrix debonding in aerospace composite structures. In implicit quasi-static finite element analyses, cohesive softening may introduce negative interface tangents, solution jumps, and Newton-basin mismatch, so the previous converged state can become a poor initial guess for the next increment. This may lead to stagnation, wrong-branch convergence, or repeated step cuts. Existing remedies, including viscous regularization, path following, dynamic relaxation, and manual Newton--Raphson (NR) modification, either alter the effective response, increase cost, or rely on hand-crafted interface rules. This work proposes an Interface-Aware Neural Newton Preconditioner (IA-NNP) for difficult CZM increments. IA-NNP recasts manual NR modification as rule-based interface lifting and generalizes it into a learned, state-dependent interface correction. The method acts only on active interface variables and preserves the original traction--separation law, residual assembly, tangent evaluation, history update, and dissipation checks. Two realizations are developed: IA-NNP-Init for learned initial-guess lifting and IA-NNP-NL for iteration-level nonlinear right preconditioning. Interface graph features encode opening, traction, tangent, damage/history variables, mode mixity, residuals, and neighboring states. The correction is bounded, confidence-gated, and accepted only through the original CZM Newton solve. A root-equivalence property shows that IA-NNP changes the path to convergence but not the discrete CZM solution set. Tests on horizontal, circular, two-interface, and active-front benchmarks show improved difficult-increment convergence, better branch recovery, and fewer failures than standard NR and manual NR modification, while preserving the force--displacement response.
• Abstract（参考訳）: コヒーシブゾーンモデル (Cohesive Zone Models, CZMs) は、航空宇宙複合構造における界面破壊、剥離、接着破壊、繊維-マトリクスデボンディングをシミュレートするために広く用いられている。 暗黙的な準静的有限要素解析において、凝集性軟化は負の界面接点、解ジャンプ、ニュートン・バスンミスマッチを導入し、従って前の収束状態は次の増分に対する初期推定に劣る可能性がある。 これは停滞、間違ったブランチの収束、あるいは繰り返しステップカットにつながる可能性がある。 粘性正規化、経路追従、動的緩和、手動のニュートン・ラフソン(NR)修正など、既存の改善策は、効果的な応答を変更したり、コストを増大させたり、手作りのインターフェースルールに依存する。 本研究は,CZMの難易度向上のためのインタフェース対応ニューラルニュートンプレコンディショナー (IA-NNP) を提案する。 IA-NNPはルールベースのインタフェースリフトとして手動NR修正をリキャストし、それを学習された状態依存インタフェース修正に一般化する。 この方法は、アクティブなインタフェース変数のみに作用し、オリジナルのトラクション法、残留アセンブリ、タンジェント評価、履歴更新、散逸チェックを保持する。 IA-NNP-Init for learn initial-guess lifting と IA-NNP-NL for iteration-level non right preconditioning の2つの実現法が開発されている。 インタフェースグラフには、オープニング、トラクション、タンジェント、ダメージ/ヒストリー変数、モード混合性、残留物、隣接する状態がエンコードされている。 補正は有界で、信頼性が保たれ、元のCZMニュートン解によってのみ受け入れられる。 ルート同値性は、IA-NNPが収束への経路を変更するが、離散CZM解集合ではないことを示す。 水平, 円形, 2面面, アクティブフロントベンチマークでの試験では, 力移動応答を保ちながら, 難易度収束, 分岐回復の改善, 標準NRや手動NRの修正よりも少ない故障が見られた。

関連論文リスト

• AdaptNTK: Adaptive Uncertainty Quantification and Active Learning for Neural Network Potentials [0.0]
  本稿では,実験的なニューラルネットワークカーネル特徴空間において,不確実性を正規化マハラノビス距離として測定する単一モデルフレームワークAdaptNTKを紹介する。 NTKの機能は取得時に固定されるため、不確実性は取得した構成に依存するが、参照ラベルには依存しない。 保持されたrMD17データでは、AdaptNTKは力の誤差(Spearman 0.68, Pearson 0.71)と最も高い平均相関を達成し、エラー保持における3員のアンサンブルと一致する。
  論文  参考訳（メタデータ） (2026-08-31T23:34:29Z)
• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• SNLP: Layer-Parallel Inference via Structured Newton Corrections [22.126763421836966]
  本研究では, 非線形残留方程式の解として, 層間の隠れ状態トレースを扱い, 層間依存性を緩和できるかどうかを考察した。 構造ニュートン層並列性(SNLP)は、ジャコビアン層をより安価なアーキテクチャによるサロゲートダイナミクスに置き換えるトレーニングと推論のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-18T04:28:16Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Mixture-of-Models: Unifying Heterogeneous Agents via N-Way Self-Evaluating Deliberation [0.0]
  本稿では,N-Way Self-Evaluating Deliberation (NSED) プロトコル,Mixture-of-Models (MoM) アーキテクチャを提案する。 静的ゲーティングネットワークに依存する従来のMixture-of-Experts (MoE)とは異なり、NSEDはモデル選択をKnapsack問題のバリエーションとして扱うDynamic Expertise Brokerを使用している。
  論文  参考訳（メタデータ） (2026-01-23T16:11:54Z)
• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Neural Collapse in Test-Time Adaptation [12.636904518839303]
  Test-Time Adaptation (TTA)は、推論中にモデルをオンラインに更新することで、アウト・オブ・ディストリビューションデータに対する堅牢性を高める。 近年、ディープニューラルネットワーク(DNN)の創発的幾何学的性質としてニューラル・コラプス(NC)が提案されている。 性能劣化は, より大きな分布シフトの下で悪化する適応のサンプルワイズミスアライメントに起因していると確認した。 我々は,信頼できない擬似ラベルの影響を軽減するために,ハイブリッドターゲットを用いた特徴分類器アライメント手法であるNCTTAを提案する。
  論文  参考訳（メタデータ） (2025-12-11T08:34:58Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Lipschitz-Based Robustness Certification for Recurrent Neural Networks via Convex Relaxation [0.0]
  本稿では,RNNの層間相互作用を凸問題としてモデル化する緩和法であるRNN-SDPを提案する。 また、既知の入力制約を組み込んで得られるリプシッツ境界をさらに強化する拡張についても検討する。
  論文  参考訳（メタデータ） (2025-09-22T15:26:46Z)
• DLF: Enhancing Explicit-Implicit Interaction via Dynamic Low-Order-Aware Fusion for CTR Prediction [71.41414150295702]
  本稿では,クリックスルー率(CTR)予測をモデル化するための新しいフレームワークである動的低次認識融合(DLF)を提案する。 RLIは残差接続からの冗長性を緩和しながら低次信号を保持し、NAFは各層での明示的および暗黙的な表現を動的に統合し、情報共有を強化する。 公開データセットの実験では、DLFがCTR予測における最先端のパフォーマンスを達成し、既存のモデルの重要な制限に対処していることが示されている。
  論文  参考訳（メタデータ） (2025-05-25T15:05:00Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。