論文の概要: Constitutive State-Space Modeling of Path-Dependent Plasticity: A Resolution-Consistent and Parallelizable Computational Framework
- arxiv url: http://arxiv.org/abs/2609.07294v1
- Date: Mon, 07 Sep 2026 10:09:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.40597
- Title: Constitutive State-Space Modeling of Path-Dependent Plasticity: A Resolution-Consistent and Parallelizable Computational Framework
- Title（参考訳）: パス依存塑性の構成的状態空間モデリング:分解能と並列化可能な計算フレームワーク
- Abstract要約: 本研究では,状態空間の動的構造を演算子として再構成する構成的空間状態(CSS)モデルを提案する。
CSSは大幅に高速で、同等またはより良い精度を得るために、ストレッチとストレッチのペアを少なくする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven constitutive models for path-dependent plasticity are commonly formulated using nonlinear recurrent neural networks, whose sequential state evolution limits parallel training and whose predictions may depend on the discretization of the applied strain path. We introduce a Constitutive State Space (CSS) model that reformulates structured state-space dynamics as an incremental constitutive operator. The strain increment is decomposed into magnitude and direction: the loading direction drives the latent state-space system, while the increment magnitude enters the zero-order-hold discretization of its continuous-time linear recurrence. This mechanics-tailored construction guarantees stationarity under zero increments, strongly reduces sensitivity to strain-path resolution, and retains the parallel-scan structure of S5 for efficient training on long constitutive histories. The CSS and Minimal State Cell (MSC) architectures are compared for four multiaxial path-dependent material models including isotropic J2 plasticity, pressure-sensitive foam plasticity, and combined isotropic-kinematic hardening. CSS matches or exceeds the prediction accuracy of the MSC, including one order of magnitude lower validation losses for the plastically incompressible materials. Importantly, CSS maintains low errors across large changes in strain-path discretization, whereas the MSC error increases substantially when evaluated at coarser resolutions than used for training. CSS trains substantially faster and requires fewer strain-stress pairs to attain comparable or better accuracy. Analysis of the learned state further reveals latent structure consistent with the dimensionality of the underlying physical constitutive models. These results establish mechanics-tailored structured state-space dynamics as a computational framework for efficient and discretization-robust data-driven constitutive modeling.
- Abstract（参考訳）: 経路依存塑性に関するデータ駆動構成モデルは通常、非線形リカレントニューラルネットワークを用いて定式化され、連続状態進化は並列トレーニングに制限され、適用されたひずみ経路の離散化に依存する可能性がある。
構成的状態空間(CSS)モデルを導入し,構造的状態空間のダイナミクスをインクリメンタルな構成的演算子として再構成する。
負荷方向は遅延状態空間系を駆動し、インクリメント等は連続時間線形再帰のゼロオーダーホールドの離散化に入る。
この力学調整された構造は、ゼロインクリメント下での定常性を保証するとともに、ひずみパス分解能に対する感度を強く低減し、長い構成履歴の効率的なトレーニングのためにS5の並列走査構造を保持する。
CSSおよびミニマルステートセル(MSC)アーキテクチャは, 等方性J2塑性, 感圧発泡可塑性, 複合等方性-キネマティック硬化を含む4つの多軸パス依存材料モデルと比較した。
CSSは、プラスチック非圧縮材料に対する1桁の検証損失を含むMSCの予測精度を一致または超過する。
重要な点として、CSSはストレインパスの離散化の大きな変化に対して低いエラーを維持するが、MSCエラーはトレーニングに使用するよりも粗い解像度で評価すると大幅に増加する。
CSSは大幅に高速で、同等またはより良い精度を得るために、ストレッチとストレッチのペアを少なくする。
学習状態の解析により、基礎となる物理構成モデルの次元と一致した潜在構造が明らかにされる。
これらの結果は、効率的かつ離散化されたデータ駆動構成モデリングのための計算フレームワークとして、力学調整された状態空間力学を確立する。
関連論文リスト
- Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。
様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
論文 参考訳（メタデータ） (2026-06-27T02:56:46Z) - Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。
この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。
自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
論文 参考訳（メタデータ） (2026-06-22T12:33:55Z) - Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。
線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。
このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
論文 参考訳（メタデータ） (2026-06-09T14:20:39Z) - RopeDreamer: A Kinematic Recurrent State Space Model for Dynamics of Flexible Deformable Linear Objects [12.045392054359551]
逐次状態空間モデルと四元系キネマティックチェイン表現を組み合わせた潜在動的フレームワークを提案する。
我々は,自己切断を含む複雑なピック・アンド・プレース・トラジェクトリの大規模シミュレーションデータセットに対するアプローチを評価した。
提案手法は,50ステップの水平線上での開ループ予測誤差を40.52%削減できることを示す。
論文 参考訳（メタデータ） (2026-04-30T17:47:44Z) - The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。
鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。
我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
論文 参考訳（メタデータ） (2025-10-03T09:02:33Z) - Physics-informed Multiple-Input Operators for efficient dynamic response prediction of structures [0.07916635054977067]
MIONetは空間と時間の両方で連続的に構造的応答を予測する。
モデルは単純なビームとKW-51ブリッジの両方で検証され、FEMレベルの精度は数秒で達成される。
論文 参考訳（メタデータ） (2025-05-11T18:45:58Z) - 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) - Symplectic Autoencoders for Model Reduction of Hamiltonian Systems [0.0]
長期の数値安定性を確保するためには,システムに関連するシンプレクティックな構造を維持することが重要である。
本稿では,次元削減のための確立されたツールであるオートエンコーダの精神の中で,新しいニューラルネットワークアーキテクチャを提案する。
ネットワークのトレーニングには,非標準勾配降下法を適用した。
論文 参考訳（メタデータ） (2023-12-15T18:20:25Z) - Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
ConvS5は、長距離時間モデリングのための効率的な変種である。
トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
論文 参考訳（メタデータ） (2023-10-30T16:11:06Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Liquid Structural State-Space Models [106.74783377913433]
Liquid-S4はLong-Range Arenaベンチマークで平均87.32%の性能を達成した。
全生音声コマンド認識では、データセットLiquid-S4は96.78%の精度で、S4と比較してパラメータ数が30%減少している。
論文 参考訳（メタデータ） (2022-09-26T18:37:13Z)
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。