論文の概要: GenVoid: Uncertainty-Aware Learning of Subsurface Material Defects with an Experimentally Validated Physics-Informed Generative Model
- arxiv url: http://arxiv.org/abs/2609.23761v1
- Date: Sun, 20 Sep 2026 17:20:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.977887
- Title: GenVoid: Uncertainty-Aware Learning of Subsurface Material Defects with an Experimentally Validated Physics-Informed Generative Model
- Title（参考訳）: GenVoid:実験で検証された物理インフォームド生成モデルによる地下材料欠陥の不確かさ認識学習
- Abstract要約: 内部ヴォイドは製造された構造物の至るところに欠陥があるが、その特性は依然として困難である。
ここでは、内部ヴォイドを識別する物理インフォームド生成モデルベースのフレームワークであるtextitGenVoidを紹介する。
- 参考スコア（独自算出の注目度）: 0.27998963147546146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Internal voids are ubiquitous defects in manufactured structures, yet their characterization remains challenging because their geometry is hidden and can only be inferred indirectly from accessible measurements. Here we introduce \textit{GenVoid}, a physics-informed generative model-based framework for identifying internal voids in complex two- and three-dimensional solids from surface displacement measurements alone. By incorporating the governing mechanics into a generative inference framework, \textit{GenVoid} enables void identification across linear elastic, hyperelastic and plastic material behaviours and accommodates complex two- and three-dimensional structural geometries. Importantly, the framework explicitly accounts for uncertainty and noise in displacement measurements, producing probabilistic reconstructions of internal void geometry rather than a single deterministic estimate. We demonstrate the approach using high-fidelity synthetic datasets and experimentally measured displacement fields obtained from in-situ mechanical experiments, establishing its ability to infer hidden voids from realistic displacement measurements. To quantify the fundamental limits of such inference, we further introduce an observability measure that characterizes the sensitivity of boundary measurements to localized stiffness perturbations within the interior under an ensemble of applied loads. This framework provides a direct connection between defect location, sensor configuration and reconstruction fidelity, enabling systematic assessment of how the number and spatial distribution of boundary measurements govern void-identification accuracy. To this end, these results establish a physics-informed and uncertainty-aware approach for non-invasive characterization of hidden defects and provide a quantitative basis for designing measurement strategies for inverse problems in solid mechanics.
- Abstract（参考訳）: 内部ヴォイドは製造された構造物のユビキタスな欠陥であるが、それらの特徴は、その幾何学が隠されており、アクセス可能な測定から間接的にしか推測できないため、依然として困難である。
ここでは、複雑な2次元および3次元固体の内部ヴォイドを表面変位測定だけで識別する物理インフォームド生成モデルに基づくフレームワークである「textit{GenVoid}」を紹介する。
統治機構を生成的推論フレームワークに組み込むことで, 線形弾性, 超弾性, プラスチック材料の挙動にまたがるヴォイド同定が可能となり, 複雑な2次元および3次元構造ジオメトリに対応できる。
重要なことに、このフレームワークは変位測定における不確実性やノイズを明示的に説明し、単一の決定論的推定ではなく内部空洞幾何学の確率論的再構成を生み出している。
本研究では,高忠実度合成データセットとその場実験から得られた変位場を用いて実験を行い,現実的な変位測定から隠れた空隙を推測する能力を確立した。
このような推論の基本的な限界を定量化するために,適用荷重のアンサンブルの下で内部の局所的な剛性摂動に対する境界測定の感度を特徴付ける観測可能性尺度を導入する。
本フレームワークは, 欠陥位置, センサ構成, 再構成忠実度を直接接続し, 境界値の個数と空間分布が虚偽識別精度をどのように支配するかを系統的に評価する。
この結果から, 隠れ欠陥の非侵襲的評価のための物理インフォームド・不確実性を考慮した手法が確立され, 固体力学における逆問題に対する測定戦略を定量的に設計するための基礎となる。
関連論文リスト
- Measuring What Persists: Conditioning Mechanisms and a Geometric Framework for AI Agent Identity [0.0]
ロングコンテキストアプリケーションのAIエージェントは、指定したIDからドリフトする。
現在の方法では、定性的劣化が見えた後にのみ検出される。
距離空間を$sqrtmathrmJSD$で測定する。
論文 参考訳（メタデータ） (2026-06-20T02:38:43Z) - Reasoning emerges from constrained inference manifolds in large language models [98.6966322378456]
我々は推論中の内部表現の進化を調べることによって、本質的な力学過程としての推論を研究する。
このような幾何学的圧縮は広く普及しているが、安定的あるいは信頼性のある推論には不十分である。
論文 参考訳（メタデータ） (2026-05-02T10:41:20Z) - Learning Hidden Structures in Open Quantum Dynamics [78.4675086615913]
本研究では,制限された実験アクセス下でのオープン量子力学の隠れ構造的特徴を識別するための機械学習手法を提案する。
我々のフレームワークは、有効マルコフ進化の根底にある不変代数構造の推定を目標としている。
このアプローチの実現性は、複数の合成モデルと導波路量子電磁力学系で説明される。
論文 参考訳（メタデータ） (2026-04-01T10:20:38Z) - The internal law of a material can be discovered from its boundary [4.3344158108954485]
我々は超弾性材料法則の教師なし発見を可能にする方法であるNeural-DFEMを紹介する。
この方法は学習ループ内に微分可能な有限要素ソルバを埋め込み、候補エネルギー汎関数と利用可能な測定値を直接リンクする。
以上の結果から,物質法則の信頼性は部分可観測性の下でも達成可能であることが示唆された。
論文 参考訳（メタデータ） (2026-03-27T15:27:04Z) - Robust Sequential Tracking via Bounded Information Geometry and Non-Parametric Field Actions [0.0]
LiDARによるターゲット追跡、高周波暗号秩序フロー、量子状態トモグラフィーの3つの領域にわたる実証的なベンチマークでは、この情報ジオメトリが異常値を解析的に減らすことを実証している。
論文 参考訳（メタデータ） (2026-03-13T21:40:44Z) - Continuous subsurface property retrieval from sparse radar observations using physics informed neural networks [0.3580891736370874]
本研究では, 地下誘電率を, 深さの完全なニューラルかつ連続的な関数として再構成する機械学習フレームワークを提案する。
このアプローチは境界駆動から連続特性推定への地下反転を再構成し、滑らかな誘電率変動の正確なキャラクタリゼーションを可能にする。
論文 参考訳（メタデータ） (2025-10-29T16:09:24Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - BayesSDF: Surface-Based Laplacian Uncertainty Estimation for 3D Geometry with Neural Signed Distance Fields [0.0]
BayesSDFは神経暗黙の3次元表現における不確実性推定のための新しい確率的フレームワークである。
表面認識の不確実性定量化を可能にすることで、ベイズSDFはより堅牢で、解釈可能で、動作可能な3D知覚システムの基礎を定めている。
論文 参考訳（メタデータ） (2025-07-08T03:21:12Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z)
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。