Foundation Model for Composite Materials and Microstructural Analysis

要約

機械学習の急速な進歩は、材料科学、特に材料の設計と分析を加速する上で、多くの機会を引き出してきた。しかし、重要な課題は、高品質の材料データセットを入手するための希少性と高コストにある。大規模なデータセットで事前に訓練された基礎モデルは、転移学習によって潜在的な特徴を活用することで、自然言語処理のような分野で優れた成果を上げているが、材料科学への応用は依然として限定的である。ここでは、複合材料用に特別に設計された基礎モデルを紹介する。ロバストな潜在特徴を学習するために短繊維複合材料のデータセットで事前に訓練されたこのモデルは、限られた訓練データでも、転移学習中に均質化された剛性を正確に予測する。さらに、我々のモデルは、これらの学習された特徴を構成代理モデルである相互作用ベースの材料ネットワークに転送することにより、材料の非線形挙動を効果的に予測します。これらの結果は、複雑な材料挙動を捉える我々の基礎モデルの可能性を示しています。この結果は、複合材料における基礎モデルの実現可能性と有効性を検証するものです。私たちは、このアプローチをより複雑な3次元複合材料や多結晶材料、さらにその先の材料にまで拡張することを期待しています。さらに、このフレームワークは、実験データが乏しい場合でも高精度の予測を可能にし、より効率的で費用対効果の高い材料設計と解析への道を開くものである。

要約(オリジナル)

The rapid advancement of machine learning has unlocked numerous opportunities for materials science, particularly in accelerating the design and analysis of materials. However, a significant challenge lies in the scarcity and high cost of obtaining high-quality materials datasets. While foundation models pre-trained on large datasets have excelled in fields like natural language processing by leveraging latent features through transfer learning, their application in materials science remains limited. Here, we present a foundation model specifically designed for composite materials. Pre-trained on a dataset of short-fiber composites to learn robust latent features, the model accurately predicts homogenized stiffness during transfer learning, even with limited training data. Additionally, our model effectively predicts the material’s nonlinear behavior by transferring these learned features to an Interaction-based Material Network, which is a constitutive surrogate model. These results demonstrate the potential of our foundation model to capture complex material behaviors. Our findings validate the feasibility and effectiveness of foundation models in composite materials. We anticipate extending this approach to more complex three-dimensional composite materials, polycrystalline materials, and beyond. Moreover, this framework enables high-accuracy predictions even when experimental data are scarce, paving the way for more efficient and cost-effective materials design and analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL