論文の概要: Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs
- arxiv url: http://arxiv.org/abs/2008.07119v2
- Date: Tue, 16 Feb 2021 07:04:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:50:57.315361
- Title: Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs
- Title（参考訳）: 強化学習による生成設計:トポロジ最適化設計の多様性を高める
- Authors: Seowoo Jang, Soyoung Yoo, Namwoo Kang
- Abstract要約: 本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative design refers to computational design methods that can
automatically conduct design exploration under constraints defined by
designers. Among many approaches, topology optimization-based generative
designs aim to explore diverse topology designs, which cannot be represented by
conventional parametric design approaches. Recently, data-driven topology
optimization research has started to exploit artificial intelligence, such as
deep learning or machine learning, to improve the capability of design
exploration. This study proposes a reinforcement learning (RL) based generative
design process, with reward functions maximizing the diversity of topology
designs. We formulate generative design as a sequential problem of finding
optimal design parameter combinations in accordance with a given reference
design. Proximal Policy Optimization is used as the learning framework, which
is demonstrated in the case study of an automotive wheel design problem. To
reduce the heavy computational burden of the wheel topology optimization
process required by our RL formulation, we approximate the optimization process
with neural networks. With efficient data preprocessing/augmentation and neural
architecture, the neural networks achieve a generalized performance and
symmetricity-reserving characteristics. We show that RL-based generative design
produces a large number of diverse designs within a short inference time by
exploiting GPU in a fully automated manner. It is different from the previous
approach using CPU which takes much more processing time and involving human
intervention.
- Abstract（参考訳）: ジェネレーティブデザイン(Generative Design)とは、デザイナが定義した制約の下で自動的に設計探索を行う計算設計手法である。
多くのアプローチの中で、トポロジ最適化に基づく生成設計は、従来のパラメトリック設計では表現できない様々なトポロジ設計を探求することを目的としている。
近年、データ駆動トポロジー最適化研究は、ディープラーニングや機械学習などの人工知能を利用して、デザイン探索の能力を向上させる。
本研究では、トポロジー設計の多様性を最大化する報酬関数を備えた強化学習(RL)に基づく生成設計プロセスを提案する。
我々は、与えられた基準設計に従って最適な設計パラメータの組み合わせを見つけるための逐次問題として生成設計を定式化する。
近位政策最適化は学習フレームワークとして用いられ、自動車の車輪設計問題のケーススタディで実証されている。
RLの定式化に必要なホイールトポロジー最適化プロセスの計算負荷を軽減するため,ニューラルネットワークによる最適化処理を近似した。
効率的なデータプリプロセッシング/オーグメンテーションとニューラルネットワークアーキテクチャにより、ニューラルネットワークは、一般的なパフォーマンスと対称性保存特性を達成する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を実現できることを示す。
従来のCPUを使ったアプローチとは大きく異なり、処理時間が大きくなり、人間の介入が伴う。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models [5.642568057913696]
本稿では,大規模言語モデル(LLM)とベイジアン最適化を統合したアナログ設計最適化手法であるADO-LLMを提案する。
ADO-LLMは、LLMのドメイン知識を注入して実行可能な設計ポイントを迅速に生成し、高価値な設計領域を見つけるためのBOの非効率性を改善する能力を活用している。
提案手法を2種類のアナログ回路上で評価し,設計効率と性能の顕著な向上を実証した。
論文 参考訳（メタデータ） (2024-06-26T21:42:50Z) - Generative AI-based Prompt Evolution Engineering Design Optimization With Vision-Language Model [22.535058343006828]
本稿では,車両設計シナリオでコンテキスト化された,迅速な進化設計最適化(PEDO)フレームワークを提案する。
生成車の設計において,物理に基づく解法と視覚言語モデルを用いて,実用的あるいは機能的な指導を行う。
自動車設計最適化問題に関する調査は,探索の初期段階に発生する潜在的な自動車設計の広範な普及を示唆している。
論文 参考訳（メタデータ） (2024-06-13T14:11:19Z) - 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) - Performance Comparison of Design Optimization and Deep Learning-based
Inverse Design [15.620304857903069]
本稿では,従来の設計最適化手法とディープラーニングに基づく逆設計手法を比較した。
ディープラーニングベースの逆設計の今後の活用を考慮に入れたガイドラインを提供する。
論文 参考訳（メタデータ） (2023-08-23T06:04:54Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - Investigating Positive and Negative Qualities of Human-in-the-Loop
Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。
モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。
一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文 参考訳（メタデータ） (2022-04-15T20:40:43Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - An adaptive artificial neural network-based generative design method for
layout designs [17.377351418260577]
適応型人工ニューラルネットワークに基づく生成設計手法の提案と開発。
新しい適応学習と最適化戦略が提案され、設計空間を効果的に探索することができます。
2つの熱源レイアウト設計問題に対して,提案手法の性能を実証した。
論文 参考訳（メタデータ） (2021-01-29T05:32:17Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z)
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。