Buchumschlag

Data-driven topology design using a deep generative model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yamasaki, Shintaro, Yaji, Kentaro, Fujita, Kikuo
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Computational Physics Data Analysis, Statistics and Probability Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

Data-driven model reconstruction for nonlinear wave dynamics
von: Smolina, Ekaterina, et al.
Veröffentlicht: (2024)

Data-driven Progressive Discovery of Physical Laws
von: Xia, Mingkun, et al.
Veröffentlicht: (2026)

Data augmentation using diffusion models to enhance inverse Ising inference
von: Lim, Yechan, et al.
Veröffentlicht: (2025)

Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling
von: Galioto, Nicholas, et al.
Veröffentlicht: (2024)

Scientific machine learning in Hydrology: a unified perspective
von: Adombi, Adoubi Vincent De Paul
Veröffentlicht: (2025)

Uncertainty estimation via ensembles of deep learning models and dropout layers for seismic traces
von: Messuti, Giovanni, et al.
Veröffentlicht: (2024)

Rapid optimization in high dimensional space by deep kernel learning augmented genetic algorithms
von: Valleti, Mani, et al.
Veröffentlicht: (2024)

Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning
von: Groom, Michael, et al.
Veröffentlicht: (2026)

Tunable correlation retention: A statistical method for generating synthetic data
von: Jävergård, Nicklas, et al.
Veröffentlicht: (2024)

Fast frequency reconstruction using Deep Learning for event recognition in ring laser data
von: Di Somma, Giuseppe, et al.
Veröffentlicht: (2025)

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later
von: Vadeboncoeur, Arnaud, et al.
Veröffentlicht: (2025)

Is the end of Insight in Sight ?
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling
von: Fiore, Matilde, et al.
Veröffentlicht: (2026)

Quantum State Tomography using Quantum Machine Learning
von: Innan, Nouhaila, et al.
Veröffentlicht: (2023)

Process signature-driven high spatio-temporal resolution alignment of multimodal data
von: Hanchate, Abhishek, et al.
Veröffentlicht: (2024)

An exact multiple-time-step variational formulation for the committor and the transition rate
von: Lorpaiboon, Chatipat, et al.
Veröffentlicht: (2025)

Hitchhiker's guide on the relation of Energy-Based Models with other generative models, sampling and statistical physics: a comprehensive review
von: Carbone, Davide
Veröffentlicht: (2024)

Data-driven topology design based on principal component analysis for 3D structural design problems
von: Yang, Jun, et al.
Veröffentlicht: (2024)

Phase transitions reveal hierarchical structure in deep neural networks
von: Ersoy, Ibrahim Talha, et al.
Veröffentlicht: (2025)

Exploring applications of topological data analysis in stock index movement prediction
von: Huang, Dazhi, et al.
Veröffentlicht: (2024)

Exploring how deep learning decodes anomalous diffusion via Grad-CAM
von: Bae, Jaeyong, et al.
Veröffentlicht: (2024)

Data-driven Approach for Interpolation of Sparse Data
von: Ferguson, R. F., et al.
Veröffentlicht: (2025)

An information-matching approach to optimal experimental design and active learning
von: Kurniawan, Yonatan, et al.
Veröffentlicht: (2024)

Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Liouville Flow Importance Sampler
von: Tian, Yifeng, et al.
Veröffentlicht: (2024)

From Occurrence to Consequence: A Comprehensive Data-driven Analysis of Building Fire Risk
von: Ma, Chenzhi, et al.
Veröffentlicht: (2025)

Robust experimental data assimilation for the Spalart-Allmaras turbulence model
von: Aulakh, Deepinder Jot Singh, et al.
Veröffentlicht: (2023)

Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning
von: Miloshevich, George, et al.
Veröffentlicht: (2023)

Development of a high-resolution indoor radon map using a new machine learning-based probabilistic model and German radon survey data
von: Petermann, Eric, et al.
Veröffentlicht: (2023)

Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering
von: Ma, Hyunjun, et al.
Veröffentlicht: (2024)

Reducing hyperparameter sensitivity in measurement-feedback based Ising machines
von: Sevenants, Toon, et al.
Veröffentlicht: (2026)

Scalable learning of potentials to predict time-dependent Hartree-Fock dynamics
von: Bhat, Harish S., et al.
Veröffentlicht: (2024)

Active Deep Kernel Learning of Molecular Properties: Realizing Dynamic Structural Embeddings
von: Ghosh, Ayana, et al.
Veröffentlicht: (2024)

Identifying topology of leaky photonic lattices with machine learning
von: Smolina, Ekaterina O., et al.
Veröffentlicht: (2023)

Generating gradients in the energy landscape using rectified linear type cost functions for efficiently solving 0/1 matrix factorization in Simulated Annealing
von: Konoshima, Makiko, et al.
Veröffentlicht: (2023)

Data-Driven Extreme Response Estimation
von: Edwards, Samuel J., et al.
Veröffentlicht: (2025)

Scientific Data Compression and Super-Resolution Sampling
von: Vu, Minh, et al.
Veröffentlicht: (2025)

Topological Learning in Multi-Class Data Sets
von: Griffin, Christopher, et al.
Veröffentlicht: (2023)

Setting the Standard: Recommended Practices for Data Preprocessing in Data-Driven Climate Prediction
von: Furtado, Jason C., et al.
Veröffentlicht: (2025)