論文の概要: PaDGAN: A Generative Adversarial Network for Performance Augmented Diverse Designs

• arxiv url: http://arxiv.org/abs/2002.11304v5
• Date: Sat, 14 Aug 2021 20:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 14:06:20.160303
• Title: PaDGAN: A Generative Adversarial Network for Performance Augmented Diverse Designs
• Title（参考訳）: PaDGAN: 性能向上した分散設計のためのジェネレータネットワーク
• Authors: Wei Chen, Faez Ahmed
• Abstract要約: 本研究では, 優れた設計空間を網羅した新規な高品質な設計を創出可能な, 高性能拡張多言語生成ネットワーク(Performance Augmented Diverse Generative Adversarial Network) または PaDGAN を開発した。 バニラ生成適応ネットワークと比較して、平均的な平均品質スコアが28%高く、多様性が大きく、モード崩壊の問題がないサンプルを生成する。
• 参考スコア（独自算出の注目度）: 13.866787416457454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models are proven to be a useful tool for automatic design synthesis and design space exploration. When applied in engineering design, existing generative models face three challenges: 1) generated designs lack diversity and do not cover all areas of the design space, 2) it is difficult to explicitly improve the overall performance or quality of generated designs, and 3) existing models generally do not generate novel designs, outside the domain of the training data. In this paper, we simultaneously address these challenges by proposing a new Determinantal Point Processes based loss function for probabilistic modeling of diversity and quality. With this new loss function, we develop a variant of the Generative Adversarial Network, named "Performance Augmented Diverse Generative Adversarial Network" or PaDGAN, which can generate novel high-quality designs with good coverage of the design space. Using three synthetic examples and one real-world airfoil design example, we demonstrate that PaDGAN can generate diverse and high-quality designs. In comparison to a vanilla Generative Adversarial Network, on average, it generates samples with a 28% higher mean quality score with larger diversity and without the mode collapse issue. Unlike typical generative models that usually generate new designs by interpolating within the boundary of training data, we show that PaDGAN expands the design space boundary outside the training data towards high-quality regions. The proposed method is broadly applicable to many tasks including design space exploration, design optimization, and creative solution recommendation.
• Abstract（参考訳）: 深部生成モデルは自動設計合成と設計空間探索に有用なツールであることが証明されている。 エンジニアリング設計に適用すると、既存の生成モデルには3つの課題がある。 1) 生成した設計は多様性を欠き,設計領域のすべての領域をカバーしない。 2) 生成した設計の全体的な性能や品質を明示的に改善することは困難である。 3) 既存のモデルでは,トレーニングデータの領域外において,新しい設計は行われない。 本稿では,これらの課題に対して,多様性と品質の確率論的モデリングのための新しい決定点プロセスに基づく損失関数を提案する。 この新しい損失関数により、デザイン空間を良好にカバーした新しい高品質なデザインを生成できる「高性能拡張型多様な生成型adversarial network」または「padgan」と呼ばれる生成型adversarial networkの変種を開発する。 3つの合成例と1つの実世界の翼設計例を用いて、PaDGANが多種多様な高品質な設計を生成できることを実証した。 バニラ生成広告ネットワークと比較すると、平均して、28%高い平均品質スコアで、より多様性があり、モード崩壊の問題のないサンプルを生成する。 トレーニングデータのバウンダリ内に補間することで新しい設計を生成する典型的な生成モデルとは異なり、PaDGANはトレーニングデータの外側の高品質な領域に設計空間境界を拡張する。 提案手法は,設計空間探索,設計最適化,創造的ソリューションレコメンデーションなど,多くのタスクに適用可能である。

関連論文リスト

• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Latent Diffusion Models for Structural Component Design [11.342098118480802]
  本稿では,構造部品の生成設計のための枠組みを提案する。 我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
  論文  参考訳（メタデータ） (2023-09-20T19:28:45Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Space4HGNN: A Novel, Modularized and Reproducible Platform to Evaluate Heterogeneous Graph Neural Network [51.07168862821267]
  本稿では, ヘテロジニアス・リニア変換, ヘテロジニアス・グラフ変換, ヘテロジニアス・メッセージパッシング・レイヤの3つのコンポーネントからなる, 殆どのHGNNをカバーする統一的なフレームワークを提案する。 次に、モジュール化されたコンポーネント、再現可能な実装、およびHGNNの標準化された評価を提供する統一フレームワークに基づいて、HGNNの設計空間を定義することで、Space4HGNNを構築する。
  論文  参考訳（メタデータ） (2022-02-18T13:11:35Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)
• PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design [10.50166876879424]
  我々はPcDGAN(Performance Conditioned Diverse Generative Adversarial Network)を紹介する。 PcDGANは新しい自己強化スコアである Lambert Log Exponential Transition Score (LLETS) を使用して条件付けを改善する。 合成問題と実世界の翼設計に関する実験は、PcDGANが最先端のGANモデルより優れていることを示した。
  論文  参考訳（メタデータ） (2021-06-07T13:45:12Z)
• Range-GAN: Range-Constrained Generative Adversarial Network for Conditioned Design Synthesis [10.50166876879424]
  条件付きディープジェネレーションモデルであるRange-GANを提案し、レンジ制約による自動設計を実現します。 ラベル認識による自己増強は,生成した3D形状に対する制約満足度を平均して14%向上させる。 また,所定の要求範囲を均等にカバーできる新しい均一性損失を提案する。
  論文  参考訳（メタデータ） (2021-03-10T18:02:13Z)
• Design Space for Graph Neural Networks [81.88707703106232]
  グラフニューラルネットワーク(GNN)のアーキテクチャ設計空間は,32種類の予測タスクに対して315,000の異なる設計で構成されている。 本研究の主な成果は,(1) 優れたGNNを設計するための包括的ガイドライン,(2) 異なるタスクに対する最高のGNN設計は著しく異なるが,GNNタスク空間は,異なるタスク間で最高の設計を転送することができる,(3) デザイン空間を用いて発見されたモデルが最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-11-17T18:59:27Z)
• MO-PaDGAN: Reparameterizing Engineering Designs for Augmented Multi-objective Optimization [13.866787416457454]
  多目的最適化は多くのエンジニアリング設計問題を解決する上で鍵となる。 深い生成モデルはコンパクトなデザイン表現を学ぶことができる。 Mo-PaDGANは、生成的対向ネットワークに決定的ポイントプロセスに基づく損失関数を追加する。
  論文  参考訳（メタデータ） (2020-09-15T13:58:31Z)
• MO-PaDGAN: Generating Diverse Designs with Multivariate Performance Enhancement [13.866787416457454]
  深部生成モデルは自動設計合成と設計空間探索に有用であることが証明されている。 1) 生成した設計には多様性が欠けていること,2) 生成した設計のすべての性能指標を明示的に改善することが困難であること,3) 既存のモデルは一般に高性能な新規設計を生成できないこと,の3つの課題に直面する。 多様性と性能の確率的モデリングのための新しい決定点プロセスに基づく損失関数を含むMO-PaDGANを提案する。
  論文  参考訳（メタデータ） (2020-07-07T21:57:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。