Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties

要約

いわゆる構造と特性の関係を決定、理解、予測することは、化学、生物学、気象学、物理学、工学、材料科学などの多くの科学分野において重要な課題です。
構造とは、一般に物質、材料、物質などの空間分布を指しますが、特性は、通常、構造の空間的詳細に自明ではない形で依存する、結果として得られる特性です。
従来、このようなタスクにはフォワード シミュレーション モデルが使用されてきました。
最近、これらの科学分野では、シミュレーション モデルまたは代理モデルを強化および高速化するために、いくつかの機械学習アルゴリズムが適用されています。
この研究では、材料科学分野の 2 つの異なるデータセットに基づいた 6 つの機械学習手法のアプリケーションを開発および調査します。1 つは磁区の形成を予測するための 2 次元イジング モデルからのデータ、もう 1 つは磁区の進化を表すデータです。
Cahn-Hilliard モデルからの位相微細構造。
すべてのモデルの精度と堅牢性を分析し、パフォーマンスの違いの理由を解明します。
カスタマイズされた機能を通じてドメイン知識を組み込むことの影響が研究され、トレーニング データの可用性と品質に基づいた一般的な推奨事項がそこから導き出されます。

要約(オリジナル)

Determining, understanding, and predicting the so-called structure-property relation is an important task in many scientific disciplines, such as chemistry, biology, meteorology, physics, engineering, and materials science. Structure refers to the spatial distribution of, e.g., substances, material, or matter in general, while property is a resulting characteristic that usually depends in a non-trivial way on spatial details of the structure. Traditionally, forward simulations models have been used for such tasks. Recently, several machine learning algorithms have been applied in these scientific fields to enhance and accelerate simulation models or as surrogate models. In this work, we develop and investigate the applications of six machine learning techniques based on two different datasets from the domain of materials science: data from a two-dimensional Ising model for predicting the formation of magnetic domains and data representing the evolution of dual-phase microstructures from the Cahn-Hilliard model. We analyze the accuracy and robustness of all models and elucidate the reasons for the differences in their performances. The impact of including domain knowledge through tailored features is studied, and general recommendations based on the availability and quality of training data are derived from this.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google