深層学習を用いたナノ結晶永久磁石のヒステリシス特性の調査【JST・京大機械翻訳】

Kovacs Alexander; Exl Lukas; Kornell Alexander; Fischbacher Johann; Hovorka Markus; Gusenbauer Markus; Breth Leoni; Oezelt Harald; Yano Masao; Sakuma Noritsugu; Kinoshita Akihito; Shoji Tetsuya; Kato Akira; Schrefl Thomas

プレプリント

J-GLOBAL ID：202202220804727692 整理番号：22P0322897

深層学習を用いたナノ結晶永久磁石のヒステリシス特性の調査【JST・京大機械翻訳】

Exploring the hysteresis properties of nanocrystalline permanent magnets using deep learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (14件)： , , , , , , , , , , , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

微細構造からナノ結晶永久磁石のヒステリシス特性を推定するためのモデル次数低減とニューラルネットワークの使用を実証した。データ駆動手法で,粒成長とミクロ磁気シミュレーションで生成されたデータセットから消磁曲線を学習した。磁石の粒状構造は低次元潜在空間内で符号化できることを示した。潜在符号を変分自動符号器を用いて構築した。ヒステリシス特性への構造コードのマッピングは,マルチターゲット回帰問題である。磁石の構造コードから消磁曲線に沿ったアンカー点を予測するために,深いニューラルネットワークと使用パラメータ共有を適用した。この方法をナノ結晶永久磁石の磁気特性を研究するために適用した。潜在空間内の2点間の内挿により新しい結晶粒構造がどのように生成できるか,そして得られた磁石の磁気特性をいかに予測できるかを示した。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る