Nov, 2023

使用波函数坍缩算法生成晶粒取向的过程

PDF
TL;DR用参考的电子背散射衍射图 (Electron Backscatter Diffraction, EBSD) 地图测试了 Wave Function Collapse (WFC) 算法和 Markov Junior 算法两种方法在生成金属晶粒结构中的效果，并发现 Markov Junior 是一种有效的机器学习工具。
grain sizesorientationsmechanical propertiesprocedural generationebsd maps
发现论文，激发创造
  • 使用深度学习和多模态显微镜在 347H 不锈钢中自动分割晶界并进行显微结构分析

    本文利用卷积神经网络技术进行微观组织中晶界的检测，结合不同仪器下的多模式显微镜技术生成像素级标签，提高了检测精度，并且通过引入拓扑信息，得到了更好的分割性能和晶粒形貌分布预测。

    May, 2023

  • Q-RBSA: 使用高效四元数变换器网络生成高分辨率三维 EBSD 地图

    本文提出了一种利用基于物理的深度学习框架来降低采集三维电子背散射衍射 (EBSD) 地图的时间和成本的方法，该框架使用四元数残差块自注意网络 (QRBSA) 从稀疏切片 EBSD 地图生成高分辨率的三维 EBSD 地图，并应用于商业上相关的钛合金，从而预测丢失的样本 (在稀疏切片映射点之间的 EBSD 信息) 与高分辨率地面真实 3D EBSD 地图相比。

    Mar, 2023

  • 固体谐波小波散射用于分子属性预测

    本文提出了一种基于密度泛函理论的分子性质预测机器学习算法，利用高斯型轨道函数创建分子的代理电子密度，并计算不变的 “固体谐波散射系数”，由此对不同尺度下的不同类型相互作用进行建模，并通过多线性回归计算出分子的各种物理性质，此算法在小型数据集方面已达到接近 DFT 预测精度，同时非常可解释。

    May, 2018

  • 利用机器学习技术在真实和生成数据集上对谷物和晶界进行分割

    本文使用卷积神经网络（CNN）对真实数据和合成数据组合进行了训练，提高了晶界分割的准确性，为粉末冶金过程中的晶界分析提供了新的方法。

    Jul, 2023

  • 极端力学力场中的规划和探索方法

    通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

    Oct, 2023

  • 在潜空间中使用去噪扩散来合成逼真的沙堆组合

    通过一种新的算法生成合成砂，对比实际收集的砂样数据，基于点云自编码器，通过降噪扩散算法能够生成形态、大小与训练数据一致的现实砂颗粒；确保第三方验证的前提下，附带 50,000 个合成石英砂颗粒、1,542 个同步辐射微计算机断层扫描 (F50 砂)，以及由合成石英砂颗粒组成的颗粒装置在开源仓库中公开。

    Jun, 2023

  • 将波函数崩塌扩展到大规模内容生成

    该研究提出了一种嵌套 WFC (N-WFC) 的算法框架，通过引入完备和子完备瓷砖集准备策略以及权重刷系统，有效降低了时间复杂度，解决了 Wave Function Collapse 在大规模内容生成方面的挑战，并为具体游戏实施提供了理论基础。

    Aug, 2023

  • 应用小波散射网络的原子系统材料属性外推

    本研究探讨了机器学习在材料科学领域中能否通过使用原子系统的波尔轨道小波散射变换为机器学习模型提供足够多的对称性、平滑性和不变性特征，以扩充模型在直至训练样本中不存在的性质预测方面的适用性。在小分子和大块非晶态 Li alpha Si 的体系中，使用小波散射系数作为特征的机器学习模型已经在相同的计算成本下，成功地实现了与密度泛函理论相当的精度。本研究进一步探讨了通过特征选取方法减少过度拟合的理论基础，以提高力学常数和迁移能等未出现在训练集中的性质预测精度。

    Jun, 2020

  • 应用于 Li-Si 能量预测的三维原子系统的可导向小波散射

    通过使用三维信号的小波散射系数作为特征的普通机器学习架构，扩展了先前仅用于小有机分子回归的固体谐波小波散射变换的机器学习框架。 采用与平移和旋转等变的一般可转向小波，形成了一个目标函数的稀疏模型。 作为此方法的一个例子，使用平面波密度泛函理论方法生成的数据库对无定形锂硅材料状态的形成能线性回归模型进行了训练，结果产生了与其他类似生成的数据库上的机器学习方法相比的最先进结果。

    Nov, 2018

  • 分子构象的生成式粗粒化

    本文提出了基于生成模型和等变网络的新方法，以恢复从粗粒度表示到原子层面的原子精确位置信息，并在分子动力学轨迹上进行了三个综合评估，结果表明，与现有数据驱动的方法相比，我们的方法始终能够以显着优势恢复更真实的结构。

    Jan, 2022