論文の概要: A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion
- arxiv url: http://arxiv.org/abs/2608.00212v1
- Date: Fri, 31 Jul 2026 18:52:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.361107
- Title: A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion
- Title(参考訳): 物理化学インフォームドニューラルネットワーク(PCINN)による実時間空間-ALD被覆予測と信頼性動態インバージョン
- Abstract要約: CFDレベルの精度をリアルタイムに実現した物理インフォームド化学化学ニューラルネットワークを提案する。
クエリは、CFD解決の約5×104倍の約7ミリ秒でカバレッジを返す。
アーキテクチャはブラックボックスではなく、小さなネットワークは、動作条件からニアウォール濃度の閉鎖のみを学習する。
- 参考スコア(独自算出の注目度): 12.347745432601306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial atomic layer deposition (SALD) is a leading atmospheric-pressure, high-throughput route to industrial ALD, but design and control are limited by the cost of predicting surface coverage: high-fidelity CFD is far too slow for operating-window scans, while analytic models miss transport modulation such as the gas curtain. We present a physics-chemistry-informed neural network (PCINN), a hybrid surrogate with CFD-level accuracy at real-time speed: a query returns coverage in about 7 ms, roughly 5x10^4 times faster than a CFD solve, reaching a test R^2_log = 0.998 (leave-one-out R^2_raw = 0.974) from only 30 training cases spanning four orders of magnitude in coverage. The architecture is not a black box: a small network learns only the operating-condition to near-wall concentration closure, while the known surface kinetics is a hard-coded, trainable chemistry layer integrated along the substrate trajectory. This single-scalar bottleneck keeps it accurate under sparse data, interpretable and invertible. We add a full identifiability analysis (Fisher information, profile likelihood). The adsorption energy E_ads and desorption rate k_des are robustly identifiable; k_ads is not separately identifiable at a single temperature (only k_ads*c_wall is). Across four temperatures the prefactor nu and E_ads bind along a weakly identifiable degeneracy valley of slope 0.065 eV/decade, derived analytically as k_B T_eff ln(10) and turned into a reliability diagnostic: a seven-chemistry mismatch matrix shows it is invariant under any single-Arrhenius mismatch and shifts only when a second thermally activated process appears, so a slope departure flags unmodelled site heterogeneity. Data come from simulation with known ground truth inverted by the same kinetic form, so the study verifies pipeline self-consistency and the identifiability boundary, not real parameters.
- Abstract(参考訳): 空間原子層堆積(SALD)は産業用ALDへの先進的な大気圧・高出力経路であるが、設計と制御は表面積の予測コストによって制限されている。
提案する物理化学インフォームドニューラルネットワーク(PCINN)は,CFDレベルの精度を持つハイブリッドサロゲートである。クエリは,CFDの解の約7msで,約5x10^4倍の速度でカバレッジを返却し,テストR^2_log = 0.998(リーブワンアウトR^2_raw = 0.974)に達する。
アーキテクチャはブラックボックスではなく、小さなネットワークは操作条件からニアウォール濃度の閉鎖のみを学習し、既知の表面運動学は、基板軌道に沿って集積されたハードコードで訓練可能な化学層である。
この単一スカラーボトルネックは、スパースデータの下で正確であり、解釈可能で可逆である。
完全な識別可能性分析(ファイザー情報、プロファイルの可能性)を追加します。
吸着エネルギーE_adsと脱離速度k_desとが堅牢に同定でき、k_adsは単温度で別々に識別できない(k_ads*c_wallのみ)。
プレファクター nu と E_ads は 4 つの温度にわたって、勾配 0.065 eV/decade の弱い識別可能な縮退谷に沿って結合し、解析的に k_B T_eff ln(10) として誘導され、信頼性診断へと変換された。
この研究は、パイプラインの自己整合性と識別可能性の境界を、実際のパラメータではなく検証する。
関連論文リスト
- Error-Conditioned Neural Solvers [36.51479208528461]
ニューラルサロゲートモデルは、PDEパラメータから解への高速な近似マッピングを提供するが、それらは一般に純粋に統計的タスクとして解決を扱う。
最近のハイブリッド手法は、勾配降下またはガウス・ニュートンステップを介してPDE残差を目標とすることで物理的正当性を促進するが、基礎となる古典勾配の計算コストと不安定性を継承する。
理論的・実験的にPDE残差の数値最小化は、不調なシステムにおける再構成精度の信頼性の低いプロキシであることを示す。
論文 参考訳(メタデータ) (2026-06-25T17:56:27Z) - EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。
多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。
本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
論文 参考訳(メタデータ) (2026-05-27T11:13:58Z) - A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation [0.0]
MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。
既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。
物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
論文 参考訳(メタデータ) (2026-04-03T02:50:58Z) - Information-Theoretic Digital Twins for Stealthy Attack Detection in Industrial Control Systems: A Closed-Form KL Divergence Approach [0.0]
デジタル双生児(DT)は産業制御システム(ICS)の監視・確保にますます利用されている
しかし、通常の物理的境界内でシステム状態を操作するステルスな偽データ注入攻撃(FDIA)を検出することは依然として困難である。
リアルタイム異常検出のためのクローズドループ情報理論デジタルツイン(IT-DT)フレームワークを提案する。
論文 参考訳(メタデータ) (2026-03-02T08:56:11Z) - Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。
5つの公開異常データセット上で14の代表的なモデルを評価する。
論文 参考訳(メタデータ) (2026-02-17T09:45:44Z) - Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach [35.66975292316149]
重力開拓地における液体-液体分散の分離は、化学、医薬品、リサイクルプロセスにおいて重要である。
密集したゾーンの高さは重要な性能と安全性の指標であるが、しばしば高価であり、測定することができない。
安価な体積流量測定のみを用いて位相高さを推定することを提案する。
論文 参考訳(メタデータ) (2026-01-26T11:57:28Z) - Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。
従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。
本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
論文 参考訳(メタデータ) (2025-11-24T13:46:38Z) - Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。
我々は90~200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。
我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
論文 参考訳(メタデータ) (2025-09-10T16:10:58Z) - Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。
本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
論文 参考訳(メタデータ) (2024-02-02T19:18:12Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。
反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
論文 参考訳(メタデータ) (2021-05-07T15:33:49Z)
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。