論文の概要: Deep Learning for Accelerated Long-Horizon Forecasting of Multicomponent Multiphase Microstructure Evolution in High-Entropy Alloys

• arxiv url: http://arxiv.org/abs/2607.27820v1
• Date: Thu, 30 Jul 2026 08:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.447509
• Title: Deep Learning for Accelerated Long-Horizon Forecasting of Multicomponent Multiphase Microstructure Evolution in High-Entropy Alloys
• Title（参考訳）: 高エントロピー合金の多成分多相組織進化の加速長水平予測のための深層学習
• Abstract要約: 本研究は,多成分AlCrFeNi合金における組織変化を予測するためのAE-GCN-LSTMサロゲートフレームワークを提案する。 このフレームワークは、単一の名目合金組成を含む100 x 100の計算領域で訓練されている。 256 x 256 と 512 x 512 のシステムに転送され、以前は見つからなかった AlCrFeNi の合成に変換される。
• 参考スコア（独自算出の注目度）: 0.24554686192257422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase-field modeling provides a powerful approach for predicting microstructure evolution but becomes computationally prohibitive for multicomponent and multiphase systems over large spatial and temporal scales. This work presents an AE-GCN-LSTM surrogate framework for long-horizon forecasting of microstructure evolution in the multicomponent AlCrFeNi high-entropy alloy system containing coexisting BCC and FCC phases. A multi-head autoencoder compresses the four elemental concentration fields and phase-field order parameter into latent representations, which are formulated as graphs for learning their spatial and temporal evolution. The framework accurately forecasts microstructure evolution over horizons extending to 3,000,000 simulation timesteps. Its robustness is systematically evaluated under previously unseen conditions without retraining, fine-tuning, or parameter adaptation. These evaluations include variations in FCC precipitate size and initial position, microstructures containing one, two, and five FCC precipitates, and complex phase interactions involving precipitate merging and splitting. Although trained only on 100 x 100 computational domains containing a single nominal alloy composition, the framework is successfully transferred to larger 256 x 256 and 512 x 512 systems and to previously unseen AlCrFeNi compositions. Across the evaluated configurations, the model preserves the dominant phase morphology and compositional evolution while providing computational speedups ranging from approximately 7200 to 62300 relative to conventional phase-field simulations. These results demonstrate that latent graph-based AE-GCN-LSTM forecasting provides a scalable and computationally efficient surrogate for long-horizon simulation of multicomponent, multiphase microstructures and offers a promising foundation for high-throughput alloy design.
• Abstract（参考訳）: 位相場モデリングは、ミクロ構造の進化を予測する強力なアプローチを提供するが、大規模な空間的・時間的スケールでの多成分・多相系の計算は禁じられる。 本研究では, AE-GCN-LSTMサロゲートを用いた多成分AlCrFeNi高エントロピー合金におけるBCC相とFCC相を含む組織変化の長期予測手法を提案する。 マルチヘッドオートエンコーダは、4つの元素濃度場と位相場秩序パラメータを潜在表現に圧縮し、それらの空間的および時間的進化を学習するためのグラフとして定式化する。 このフレームワークは、3000,000のシミュレーションタイムステップに広がる地平線上のミクロ組織進化を正確に予測する。 その頑健さは、再訓練、微調整、パラメータ適応なしに、これまで見えなかった条件下で体系的に評価される。 これらの評価には、FCCの沈降量と初期位置の変化、1, 2, 5つの沈降量を含むミクロ構造、沈降量と分裂を含む複雑な相相互作用が含まれる。 単一の名目合金組成を含む100 x 100の計算領域でしか訓練されていないが、フレームワークは256 x 256 および 512 x 512 システムに変換され、以前は見つからなかった AlCrFeNi の組成に変換される。 評価された構成全体にわたって、モデルは、従来の位相場シミュレーションと比較して約7200から62300までの計算スピードアップを提供しながら、支配的な位相形態と構成的進化を保存する。 これらの結果から,潜時グラフに基づくAE-GCN-LSTM予測は多成分多相構造の長期シミュレーションにスケーラブルで効率的なサロゲートを提供し,高出力合金設計に有望な基礎を提供することを示す。

関連論文リスト

• Statistical Channel Fingerprint Construction for Massive MIMO: A Unified Tensor Learning Framework [51.39651336043647]
  チャネル指紋(CF)は、IMO通信システムにおけるチャネル状態情報の取得を容易にする重要な手段であると考えられている。 統計的CSI(sCSI)を各電位で保存する新しいタイプのCFを提案し,これを統計的CF(sCF)と呼ぶ。
  論文  参考訳（メタデータ） (2026-04-30T08:28:45Z)
• A Step Toward Federated Pretraining of Multimodal Large Language Models [87.64508862413565]
  Federated Learningは、分散リソースをアンロックするための有望なソリューションを提供する。 Fed-MAは、視覚エンコーダとLLMを凍結し、クロスモーダルプロジェクタを協調的にトレーニングする軽量な事前トレーニングパラダイムである。 MLLM事前学習のための先駆的フレームワークであるFed-CMPを提案する。
  論文  参考訳（メタデータ） (2026-03-25T08:16:23Z)
• Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks [0.4104352271917983]
  完全に畳み込み、条件付きパラメータ化されたU-Netサロゲートを導入し、空間と時間の両方でトレーニングデータを超えて外挿する。 私たちのフレームワークは最大36,000回のスピードアップも可能で、数週間のシミュレーションの実行時間を数秒に短縮します。
  論文  参考訳（メタデータ） (2026-01-08T02:25:14Z)
• PRISM: Enhancing Protein Inverse Folding through Fine-Grained Retrieval on Structure-Sequence Multimodal Representations [42.870409939729974]
  逆フォールディングのための多モーダル検索拡張生成フレームワークであるPRISMを提案する。 既知のタンパク質から潜在的なモチーフの微細な表現を回収し、それらをハイブリッドなセルフクロスアテンションデコーダと統合する。 PRISMは、パープレキシティとアミノ酸の回収の両方において新しい技術状態を確立し、フォールドビリティの指標も改善した。
  論文  参考訳（メタデータ） (2025-10-12T00:45:22Z)
• Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution [0.24554686192257422]
  このフレームワークはコンポジション対応で、異なるコンポジションを持つデータセットを共同でトレーニングし、潜在グラフ空間で動作する。 このフレームワークは、進化するミクロ構造の空間的および時間的パターンを捉えながら、トレーニング後の計算コストを削減した長距離予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-18T14:55:56Z)
• Deep Learning-Driven Prediction of Microstructure Evolution via Latent Space Interpolation [0.0]
  位相場モデルは微細構造の進化を正確にシミュレートするが、複雑な微分方程式の解法に依存するため計算コストがかかる。 この研究は、立方体スプライン補間と球面線形補間(SLERP)を組み合わせた変分オートエンコーダ(CVAE)を利用して、新しいディープラーニングベースのフレームワークを通じて大きな加速を実現する。 本研究では, 中間合金組成の微細構造変化を, 限られたトレーニング組成から予測し, 二元系スピノダル分解の手法を実証する。
  論文  参考訳（メタデータ） (2025-08-03T16:22:15Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。 伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。 本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• The High-dimensional Phase Diagram and the Large CALPHAD Model [0.0]
  3要素以上の合金システムの複雑さに対処するために,Large LargePHAD Model (LCM)を導入する。 LCMの分類精度は97%で、位相体積予測では平均2乗誤差は80*10-5である。 提案手法はFeNiCr系における51個の相空間の定式化に成功し,その有効性を439個の共晶合金の設計で実証した。
  論文  参考訳（メタデータ） (2023-11-13T09:07:17Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)

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。