論文の概要: A Physics-Regulated Neural Framework for Learning 3D Grain Growth Dynamics

• arxiv url: http://arxiv.org/abs/2607.04680v1
• Date: Mon, 06 Jul 2026 05:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.046234
• Title: A Physics-Regulated Neural Framework for Learning 3D Grain Growth Dynamics
• Title（参考訳）: 3次元粒成長ダイナミクス学習のための物理制御型ニューラルネットワークフレームワーク
• Authors: Zhihui Tian, Kang Yang, Michael Tonks, Amanda R. Krause, Joel B. Harley,
• Abstract要約: 三次元粒成長ダイナミクスを学習するための3D-PRIMME(Physics-Regulated Interpretable Machine Learning for Structure Evolution)を提案する。 このモデルは、線形粗大化法則を正確に再現し、拡張時間スケールで位相統計を保存しながら、2つの連続時間ステップのみを用いて訓練される。 その結果、3D-PRIMMEはスケール非依存かつ時間的に安定な局所進化規則を学習し、3D進化の効率的で堅牢なサロゲート予測を可能にした。
• 参考スコア（独自算出の注目度）: 3.3074210554283283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grain growth is governed by the reduction in grain boundary energy and exhibits well-established statistical scaling laws. Developing data-driven surrogates that preserve these physical invariants while remaining computationally scalable remains challenging, especially in 3D. We present 3D-PRIMME (Physics-Regulated Interpretable Machine Learning for Microstructure Evolution) for learning three-dimensional grain growth dynamics. The model is trained using only two consecutive time steps yet accurately reproduces the linear coarsening law and preserves topological statistics over extended time scales. Despite being trained on a $100^3$ grid points with 512 grains, the learned evolution operator is applied to domains up to $1024^3$ grid points with 550000 grains without retraining, maintaining consistent kinetics and grain topology across orders-of-magnitude increases in system size. These results demonstrate that 3D-PRIMME learns a scale-independent and temporally stable local evolution rule, enabling efficient and robust large-scale surrogate prediction of 3D microstructure evolution.
• Abstract（参考訳）: 粒成長は粒界エネルギーの減少によって制御され、確立された統計スケーリング法則を示す。 データ駆動サロゲートの開発は、特に3Dでは、これらの物理的不変性を保ちながら、計算にスケーラブルなままである。 三次元粒成長ダイナミクスを学習するための3D-PRIMME(Physics-Regulated Interpretable Machine Learning for Structure Evolution)を提案する。 このモデルは、線形粗大化法則を正確に再現し、拡張時間スケールで位相統計を保存しながら、2つの連続時間ステップのみを用いて訓練される。 512グレーンを持つ100^3$グリッドポイントでトレーニングされているにもかかわらず、学習された進化作用素は550000グレーンを持つ最大1024^3$グリッドポイントのドメインに適用される。 これらの結果は、3D-PRIMMEがスケール非依存かつ時間的に安定な局所的進化規則を学習し、3D微細構造進化の効率的で堅牢なサロゲート予測を可能にすることを示す。

関連論文リスト

• PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
  物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 世界座標で表される3Dメッシュとしてオブジェクトを表す。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-06-25T17:59:00Z)
• SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
  物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。 本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
  論文  参考訳（メタデータ） (2026-03-25T06:14:03Z)
• Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction [0.0]
  本稿では,Symmetry-Constrained Multi-Scale Physics-Informed Neural Network (SCMS-PINN) v35を紹介する。 グラフェンバンド構造を直接学習し、結晶対称性を厳格に強化する。 このモデルは、理論ゼロの30.3$mu$eVと平均誤差53.9meVとブリルアンゾーンの40.5meV(導電性)でディラック点ギャップを予測する。
  論文  参考訳（メタデータ） (2025-08-14T14:59:10Z)
• 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)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Boundary Graph Neural Networks for 3D Simulations [6.041255257177852]
  バウンダリグラフニューラルネットワーク(BGNN)は、ホッパー、回転ドラム、ミキサーの複雑な3次元粒状フロープロセスで試験される。 BGNNは、何十万ものシミュレーションタイムステップに対して、シミュレーションの不確実性の中で3Dグラニュラーフローを正確に再現することができる。
  論文  参考訳（メタデータ） (2021-06-21T17:56:07Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。