論文の概要: Which alloy composition,what process parameters? Inferring the recipe from optimized metallic microstructure and texture
- arxiv url: http://arxiv.org/abs/2610.08165v1
- Date: Tue, 06 Oct 2026 11:22:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.960587
- Title: Which alloy composition,what process parameters? Inferring the recipe from optimized metallic microstructure and texture
- Title（参考訳）: どの合金組成、プロセスパラメータ?最適化された金属ミクロ組織とテクスチャからレシピを推測する
- Abstract要約: 合金開発はこのチェーンを前進させ、ターゲットプロパティが満たされるまで構造をチューニングする。
最適化された構造から、それを生産するレシピまで、まだ専門家の知識に依存しています。
従来の粒状およびテクスチャ統計,事前学習した画像エンコーダからの視覚埋め込み,および粒状ネットワーク上のグラフニューラルネットワークの3つの記述体を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The mechanical properties of a metallic alloy are set by its microstructure and texture: the size and shape of its grains and the orientation of their crystals. That structure is in turn set by a recipe, the alloy composition together with the processing parameters. Alloy development runs this chain forwards, tuning the structure until a target property is met. Running it backwards, from an optimized structure to the recipe that would produce it, still relies on expert knowledge. We ask whether this backwards step can be learned. On an in-house dataset of 107 magnesium alloy extrusion conditions across 14 alloys, each with optical micrographs and an X-ray texture measurement, we compare three descriptors of microstructure and texture: conventional grain and texture statistics, a vision embedding from a pretrained image encoder, and a graph neural network on the grain network. Each is paired with prediction heads for two tasks: the alloy composition given the process (Task A), and the process parameters given the composition (Task B). Under 5-fold cross-validation, the conventional descriptors identify the correct alloy for 65% of held-out conditions, against 17% for always guessing the most common alloy, while the learned embeddings stay below 30%. The process parameters are recoverable but noisier: compared with using the composition alone, the microstructure roughly halves the temperature error. Because only a few alloys were cast and only a few press settings were used, both answers are discrete, and heads that pick from these known options, while respecting their order, worked better than heads that predict a free value.
- Abstract（参考訳）: 金属合金の機械的性質は、その微細構造とテクスチャ、粒の大きさと形状、結晶の配向によって設定される。
この構造は、レシピ、合金組成、および加工パラメータによって順番に設定される。
合金開発はこのチェーンを前進させ、ターゲットプロパティが満たされるまで構造をチューニングする。
最適化された構造から、それを生産するレシピまで、まだ専門家の知識に依存しています。
この後ろ向きのステップが学べるかどうか尋ねる。
光マイクログラフとX線テクスチャ測定を併用した14合金107マグネシウム合金押出条件の社内データセットにおいて, 従来の粒状およびテクスチャ統計, 予めトレーニングした画像エンコーダからの視覚埋め込み, および粒状ネットワーク上のグラフニューラルネットワークの3つの記述体を比較した。
それぞれに、プロセス(タスクA)を付与した合金組成と、その構成を付与したプロセスパラメータ(タスクB)の2つのタスクについて、予測ヘッドとペアリングする。
5倍のクロスバリデーションの下では、従来の記述子は保持状態の65%で正しい合金を識別し、最も一般的な合金を常に推測すると17%、学習された埋め込みは30%以下である。
プロセスパラメータは回復可能であるが、ノイズが少なく、組成だけで比較すると、ミクロ構造は温度誤差をほぼ半分にしている。
数個の合金が鋳造され、数個のプレス設定しか使われなかったため、どちらの答えも個別であり、これらの既知の選択肢から選択した頭は、注文を尊重しながら、自由価値を予測する頭よりもうまく機能した。
関連論文リスト
- LumiX: Structured and Coherent Text-to-Intrinsic Generation [56.659456254026985]
本稿では,コヒーレントテキスト-内在的生成のための構造化拡散フレームワークであるLumiXを紹介する。
LumiXはコヒーレントで物理的に有意義な結果をもたらし、23%のアライメントとより良い選好スコアを得る。
同じフレームワーク内でイメージ条件の分解を行うことも可能だ。
論文 参考訳（メタデータ） (2025-12-02T13:56:02Z) - Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。
これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。
適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
論文 参考訳（メタデータ） (2025-05-25T07:36:50Z) - Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys [7.246224582503583]
本研究では,画像処理と深層学習技術に基づくマルチモーダル融合学習フレームワークを提案する。
固溶Mg-Gd合金のビッカース硬さを正確に予測するために, 元素組成と組織特性を統合した。
論文 参考訳（メタデータ） (2024-10-27T10:28:29Z) - Electronic structure prediction of medium and high entropy alloys across composition space [4.556522329713242]
本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。
トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。
本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
論文 参考訳（メタデータ） (2024-10-10T18:29:31Z) - Revealing the structure-property relationships of copper alloys with FAGC [9.444321951789105]
Cu-Cr-Zr合金は電子機器や電力産業において重要な役割を果たしている。
利用可能な試料が不足しているため、Cu-Cr-Zr合金の微細構造像と重要な性質との関係を探索する有効な研究が欠如している。
FAGC機能増強法は、Cu-Cr-Zr合金の組織像を前形状空間として知られる特徴空間内で高めるために用いられる。
論文 参考訳（メタデータ） (2024-04-15T07:20:09Z) - AlloyBERT: Alloy Property Prediction with Large Language Models [5.812284760539713]
本研究は, テキスト入力による合金特性の予測を目的とした変圧器エンコーダモデル, AlloyBERTを紹介する。
テキストデータに基づいてトレーニングされたトークン化器とRoBERTaエンコーダを組み合わさることで,Multi principal Elemental Alloys (MPEA)データセットにおける平均2乗誤差(MSE)が0.00015,Refractory Alloy Yield Strength (RAYS)データセットで0.00611に達した。
本研究は,材料科学における言語モデルの可能性を強調し,合金特性のテキストベース予測のための基礎的枠組みを構築した。
論文 参考訳（メタデータ） (2024-03-28T19:09:46Z) - Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene [45.61296767255256]
包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。
本稿では、ディープニューラルネットワークを用いた実験データからバンド構造パラメータを導出する一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-12T15:24:42Z) - Decomposing Generation Networks with Structure Prediction for Recipe
Generation [142.047662926209]
本稿では,構造予測を伴うDGN(Decomposing Generation Networks)を提案する。
具体的には,調理指導を複数のフェーズに分割し,各フェーズに異なるサブジェネレータを割り当てる。
提案手法は, (i) 大域的構造予測成分を用いてレシピ構造を学習し, (ii) 予測された構造に基づいてサブジェネレータ出力成分でレシピ相を生成するという2つの新しいアイデアを含む。
論文 参考訳（メタデータ） (2020-07-27T08:47:50Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。