論文の概要: Microdroplet Generator Surrogate Enhancement and Inverse Design Through an Uncertainty-Guided Framework
- arxiv url: http://arxiv.org/abs/2611.06464v1
- Date: Wed, 04 Nov 2026 13:01:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.11413
- Title: Microdroplet Generator Surrogate Enhancement and Inverse Design Through an Uncertainty-Guided Framework
- Title(参考訳): 不確実性誘導によるマイクロドロップレット発電機の高速化と逆設計
- Abstract要約: 本研究は,適応的代理強化とシミュレーション駆動逆設計を結合した統一手法を提案する。
高忠実度ボリューム・オブ・フルードシミュレーションは、基底構造データを提供する一方、ニューラルネットワークはフローレシエーションと液滴の直径を予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microfluidic droplet generation is critical for many applications, yet efficient device design in high-dimensional parameter spaces remains computationally prohibitive due to complex multiphase flow dynamics. This work presents a unified methodology that couples adaptive surrogate enhancement with simulation-driven inverse design. High-fidelity Volume-of-Fluid simulations provide ground-truth data, while neural network ensembles predict flow regimes and droplet diameters. Ensemble-based uncertainty quantification identifies epistemic uncertainty using consensus levels for regime classification and the coefficient of variation for diameter prediction, revealing that uncertainty concentrates near regime transition boundaries where physics is highly sensitive to parameter perturbations. A physics-informed enrichment strategy targets these critical zones and addresses class imbalances by deploying additional targeted simulations and retraining the surrogates forming the ensembles. A framework that integrates Particle Swarm Optimization for constrained inverse design, balancing accuracy with predictive confidence and physical consistency is therefore proposed. Validation on independent test datasets demonstrates that the enriched ensembles achieve higher accuracy, with the fraction of predictions within the 0-3% error range on droplet diameter nearly doubling, and high-error cases (above 10%) dropping substantially. The inverse design procedure reliably identifies physically realizable configurations meeting target droplet sizes. This approach significantly reduces computational costs while ensuring reliable predictions, offering a framework with potential applicability to the optimization of a broad range of microfluidic systems.
- Abstract(参考訳): マイクロ流体の液滴生成は、多くのアプリケーションにとって重要であるが、高次元パラメータ空間における効率的なデバイス設計は、複雑な多相フローのダイナミクスのため、計算的に禁止されている。
本研究は,適応的代理強化とシミュレーション駆動逆設計を結合した統一手法を提案する。
高忠実度ボリューム・オブ・フルイドシミュレーションは、基底構造データを提供し、ニューラルネットワークはフローレシエーションと液滴の直径を予測する。
エンサンブルベースの不確実性定量化は、規則分類のコンセンサスレベルと直径予測の変動係数を用いて、疫学的な不確実性を特定し、物理がパラメータ摂動に非常に敏感である状態遷移境界付近に不確実性が集中していることを明らかにする。
物理インフォームド・エンリッチメント戦略は、これらのクリティカルゾーンをターゲットとし、追加のターゲットシミュレーションをデプロイし、アンサンブルを形成するサロゲートを再訓練することにより、クラス不均衡に対処する。
そこで, 制約付き逆設計のためのParticle Swarm Optimizationを統合し, 精度と予測信頼性, 物理的整合性のバランスをとるフレームワークを提案する。
独立したテストデータセットの検証では、濃縮アンサンブルの精度が向上し、液滴の直径がほぼ倍増し、高いエラーケース(10%以上)が大幅に減少する。
逆設計手順は、ターゲットのドロップレットサイズを満たす物理的に実現可能な構成を確実に特定する。
このアプローチは、信頼性の高い予測を確保しながら計算コストを大幅に削減し、幅広いマイクロ流体システムの最適化に潜在的に適用可能なフレームワークを提供する。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳(メタデータ) (2026-05-28T13:26:53Z) - Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty [5.4872967954342675]
リスクに敏感なPOMDPは、スケールの低さ、勾配に基づく最適化、条件付き値-アット・リスクの推定といった粒子フィルタの信念を使用する。
代わりに、潜在接触パラメータとオブジェクトのポーズに対する変分推論として把握獲得を定式化し、微分可能なガウス混合による信念を表現する。
論文 参考訳(メタデータ) (2026-04-28T17:40:49Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳(メタデータ) (2026-03-18T05:51:08Z) - Adaptive Active Learning for Online Reliability Prediction of Satellite Electronics [1.1309064441249301]
本稿では,新しい統合型オンライン信頼性予測フレームワークを提案する。
一般化されたアレニウスリンク関数、個々のランダム効果、空間相関を組み込んだウィナープロセスに基づく劣化モデルを開発した。
予測精度を適応的に向上する2段階能動学習サンプリングスキームを設計する。
論文 参考訳(メタデータ) (2026-03-10T01:04:22Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳(メタデータ) (2026-02-11T02:00:25Z) - Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳(メタデータ) (2025-11-18T07:49:52Z) - Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。
Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。
しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。
我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
論文 参考訳(メタデータ) (2025-10-15T08:41:36Z) - Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。
この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。
プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
論文 参考訳(メタデータ) (2025-09-16T19:54:49Z) - Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。
本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
論文 参考訳(メタデータ) (2025-01-06T22:02:06Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-03T20:37:55Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z)
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。