Itinai.com a website with a catalog of works by branding spec dd70b183 f9d7 4272 8f0f 5f2aecb9f42e 0

Ускорение фазовых полевых симуляций с помощью машинного обучения: эталонный набор данных и проверка U-Net

Легче сразу спросить

AI снижает операционные расходы на 20–40% за 6 месяцев. А что бы вы сделали с этими деньгами?

Опишите задачу — обсудим, как это можно реализовать у вас.

ИИ автоматизирует 70% рутинных задач

за 3 месяца. Какие процессы в вашем бизнесе скинуть роботу?

Персонализированные AI-кампании увеличивают клиентскую базу на 30%

. Как это работает?

AI-аналитика сокращает ошибки в прогнозах на 50%

. Расскажите подробнее!

«`html

Модели фазовых полей: важный инструмент для симуляций

Модели фазовых полей позволяют исследовать изменения в микроструктурах и превращения фаз, соединяя атомные модели и макроскопические явления. Эти модели помогают предсказывать поведение материалов на более крупномасштабном уровне, что особенно важно для исследований в области материалов для аккумуляторов.

Преимущества интеграции машинного обучения

Объединение машинного обучения (ML) с моделированием фазовых полей является перспективным решением для устранения вычислительных трудностей. Модели ML, обученные на высококачественных данных, могут быстро предсказывать траектории симуляций и ускорять анализ.

Полезный открытый набор данных

Исследователи из ДТУ и других институтов представили общественный набор данных для проверки алгоритмов ML в симуляциях фазовых полей. Этот набор данных помогает развивать алгоритмы ML и ускорять симуляции.

Методология и результаты исследования

Модели реализованы в эффективном C коде и используют метод конечных объемов для вычислений. Созданный набор данных содержит 1,100 траекторий симуляций, которые были проверены с помощью архитектур U-Net и SegFormer. Обе модели продемонстрировали полезность набора данных.

Заключение

Исследование представило доступный набор данных для проверки алгоритмов ML, которые помогают в моделировании микроструктур. Nабор данных поддерживает разработку независимых от размера моделей и способствует применению методов ML для ускорения симуляций.