論文の概要: Retrainable physics-integrated neural differentiable modeling of sintering across material systems

• arxiv url: http://arxiv.org/abs/2609.31518v1
• Date: Fri, 25 Sep 2026 16:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.496269
• Title: Retrainable physics-integrated neural differentiable modeling of sintering across material systems
• Title（参考訳）: 物質系における焼結のリトラクタブル物理統合型ニューラル微分可能モデリング
• Abstract要約: 焼結はセラミックスの製造に広く用いられているが、密度化と結晶成長、物質依存の速度論、スパース測定は予測モデリングとプロセス設計を複雑にしている。 Sinter-PiNDiffは、密度と粒径の進化を予測するための、リトレーニング可能な物理積分型ニューラル微分可能なフレームワークである。
• 参考スコア（独自算出の注目度）: 2.4715751397506507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sintering is widely used to manufacture ceramics, but coupled densification and grain growth, material-dependent kinetics, and sparse measurements complicate predictive modeling and process design. We present Sinter-PiNDiff, a retrainable physics-integrated neural differentiable framework for predicting density and grain-size evolution. Two neural networks learn densification and grain-growth coefficients within coupled rate equations, while a smooth saturation factor attenuates densification near theoretical density. The same governing structure, network architecture, and training procedure were fitted independently to published data for MgO, Al-doped ZnO, and CaO-doped ThO2. Tests at held-out temperatures and compositions yielded the lowest mean error in all twelve material-metric comparisons against multilayer perceptron and residual network baselines. For MgO, Al-doped ZnO, and CaO-doped ThO2, respectively, density normalized root-mean-square errors were 14.6%, 10.8%, and 14.4%, and grain-size errors using the same metric were 8.6%, 12.1%, and 19.3%. Removing evolving density from both neural-network inputs increased density and grain-size trajectory errors in all three systems and ten of twelve aggregate errors, supporting density-dependent kinetic feedback. Deep ensembles estimated model disagreement, but empirical coverage showed that the uncertainty bands were not calibrated and did not capture all model-data discrepancies. These results establish Sinter-PiNDiff as a retrainable framework for sparse-data prediction and uncertainty-informed selection of sintering conditions.
• Abstract（参考訳）: 焼結はセラミックスの製造に広く用いられているが、密度化と結晶成長、物質依存の速度論、スパース測定は予測モデリングとプロセス設計を複雑にしている。 Sinter-PiNDiffは、密度と粒径の進化を予測するための、リトレーニング可能な物理積分型ニューラル微分可能なフレームワークである。 2つのニューラルネットワークは結合速度方程式の中で密度と粒成長係数を学習し、滑らかな飽和係数は理論密度の近くで密度を減衰させる。 MgO, AlドープZnO, CaOドープThO2, CaOドープThO2の公開データに対して, 同じ統治構造, ネットワークアーキテクチャ, トレーニング手順を独立に適用した。 保持温度および組成の試験は, 多層パーセプトロンおよび残留ネットワークベースラインと比較した場合, 平均誤差が最低値であった。 MgO, AlドープZnO, CaOドープThO2では, 密度正規化根平均二乗誤差が14.6%, 10.8%, 14.4%, 同じ測定値を用いた粒径誤差が8.6%, 12.1%, 19.3%であった。 両方のニューラルネットワーク入力から進化する密度を除去すると、3つのシステムで密度と粒径軌道誤差が増加し、12個の集合誤差のうち10個が増加し、密度依存の運動フィードバックが支持された。 深層アンサンブルはモデル不一致を推定するが、実験により、不確実帯は校正されておらず、全てのモデルデータの不一致を捉えていないことが示された。 これらの結果から,Sinter-PiNDiffはスパースデータ予測と不確実な焼結条件の選択のための再学習可能なフレームワークとして確立された。

関連論文リスト

• Denoising Diffusion Monte Carlo Electron Densities with Physically Informed Variance Stabilization: From Fourier Filters to 3D UNETs [0.0]
  本稿では,情報理論的ジェンセン・シャノン分岐に基づくDMC密度の認知的アプローチについて検討する。 最高のデノイザは密度発生型DMCシミュレーションに必要なコストを10-100倍削減する。
  論文  参考訳（メタデータ） (2026-08-08T14:27:26Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
  VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。 QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。 VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
  論文  参考訳（メタデータ） (2025-11-11T05:45:37Z)
• Density estimation via mixture discrepancy and moments [0.0]
  混合離散性に基づくシーケンシャルパーティション(DSP-mix)による密度推定とモーメントに基づくシーケンシャルパーティション(MSP)による密度推定を提案する。 結果: DSP-mix と MSP は DSP の約10倍の速度で動作し,同じ精度を維持した。
  論文  参考訳（メタデータ） (2025-04-02T10:15:03Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• Physics-Informed Neural Network based inverse framework for time-fractional differential equations for rheology [0.0]
  時間差分方程式は、記憶効果によって特徴づけられる現象を捉えるための堅牢な枠組みを提供する。 しかし、分数微分を含む逆問題の解決は、安定性と特異性に関連する問題を含む顕著な課題を提示する。 本研究では, PINNの適用範囲を広げて, 時間-屈折微分を含む逆問題に対処し, 異常拡散と, 2) 分数粘弾性方程式の2つの問題を対象とする。
  論文  参考訳（メタデータ） (2024-06-06T01:29:17Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein Generative Adversarial Loss [4.56877715768796]
  本研究では1次元畳み込みカーネルとスペクトル不確実性を用いたスペクトルアンミックスのための新しいフレームワークを提案する。 高レベルの表現はデータから計算され、さらに多項混合モデルでモデル化される。 実データと合成データの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-12T16:49:01Z)

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。