論文の概要: Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning

• arxiv url: http://arxiv.org/abs/2008.10740v1
• Date: Mon, 24 Aug 2020 22:40:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 12:54:18.243857
• Title: Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning
• Title（参考訳）: データ駆動型航空宇宙工学 - 機械学習による業界再編
• Authors: Steven L. Brunton, J. Nathan Kutz, Krithika Manohar, Aleksandr Y. Aravkin, Kristi Morgansen, Jennifer Klemisch, Nicholas Goebel, James Buttrick, Jeffrey Poskin, Agnes Blom-Schieber, Thomas Hogan, Darren McDonald
• Abstract要約: 航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。 最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
• 参考スコア（独自算出の注目度）: 49.367020832638794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data science, and machine learning in particular, is rapidly transforming the scientific and industrial landscapes. The aerospace industry is poised to capitalize on big data and machine learning, which excels at solving the types of multi-objective, constrained optimization problems that arise in aircraft design and manufacturing. Indeed, emerging methods in machine learning may be thought of as data-driven optimization techniques that are ideal for high-dimensional, non-convex, and constrained, multi-objective optimization problems, and that improve with increasing volumes of data. In this review, we will explore the opportunities and challenges of integrating data-driven science and engineering into the aerospace industry. Importantly, we will focus on the critical need for interpretable, generalizeable, explainable, and certifiable machine learning techniques for safety-critical applications. This review will include a retrospective, an assessment of the current state-of-the-art, and a roadmap looking forward. Recent algorithmic and technological trends will be explored in the context of critical challenges in aerospace design, manufacturing, verification, validation, and services. In addition, we will explore this landscape through several case studies in the aerospace industry. This document is the result of close collaboration between UW and Boeing to summarize past efforts and outline future opportunities.
• Abstract（参考訳）: データサイエンス、特に機械学習は、科学と産業の風景を急速に変化させている。 航空宇宙産業は、航空機の設計や製造で生じる多目的の制約付き最適化の問題を解決することに優れたビッグデータと機械学習を活用しようとしている。 実際、機械学習の新しい手法は、高次元、非凸、制約付き、多目的の最適化問題に理想的なデータ駆動最適化技術であり、データ量の増加によって改善されると考えられる。 本稿では,航空宇宙産業にデータ駆動科学と工学を統合する機会と課題について考察する。 重要なのは、安全クリティカルなアプリケーションのための解釈可能、一般化可能、説明可能、検証可能な機械学習技術の必要性だ。 このレビューには、レトロスペクティブ、最先端の評価、今後のロードマップが含まれている。 近年のアルゴリズムと技術の動向は、航空宇宙設計、製造、検証、検証、サービスにおける重要な課題の文脈で検討される。 また、航空宇宙産業におけるいくつかの事例研究を通して、この展望を探求する。 この文書は、過去の取り組みを要約し、将来の機会を概説するためにuwとボーイングの密接な協力の結果である。

関連論文リスト

• Computer vision tasks for intelligent aerospace missions: An overview [10.929595257238548]
  コンピュータビジョンタスクは、宇宙船が宇宙環境を理解し、解釈するのを助けるため、航空宇宙ミッションにとって不可欠である。 Kalman FilteringやStructure from Motion、Multi-View Stereoといった従来の手法は、厳しい条件を扱うのに十分な堅牢性を持っていない。 深層学習(DL)に基づく知覚技術は、従来の手法よりも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-07-09T02:50:54Z)
• Machine learning for industrial sensing and control: A survey and practical perspective [7.678648424345052]
  プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。 ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。 データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
  論文  参考訳（メタデータ） (2024-01-24T22:27:04Z)
• Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
  この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。 欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
  論文  参考訳（メタデータ） (2022-12-10T07:49:50Z)
• Improving aircraft performance using machine learning: a review [57.82442188072833]
  本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。 我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
  論文  参考訳（メタデータ） (2022-10-20T07:16:53Z)
• Data-Centric Engineering: integrating simulation, machine learning and statistics. Challenges and Opportunities [1.3535770763481905]
  機械学習の最近の進歩と低コストの計算が組み合わさって、多分野の研究活動が広まりつつある。 物理方程式に基づく力学モデルと純粋にデータ駆動統計アプローチは、モデリングスペクトルの2つの端を表す。 新しいハイブリッドなデータ中心のエンジニアリングアプローチは、両方の世界の長所を生かし、シミュレーションとデータの両方を統合することで、強力なツールとして現れています。
  論文  参考訳（メタデータ） (2021-11-07T22:31:23Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• Constraint Programming Algorithms for Route Planning Exploiting Geometrical Information [91.3755431537592]
  本稿では,経路計画問題に対する新しいアルゴリズムの開発に関する現在の研究動向について概説する。 これまでの研究は、特にユークリッド旅行セールスパーソン問題(ユークリッドTSP)に焦点を当ててきた。 目的は、将来ユークリッド自動車問題(ユークリッドVRP)など、同じカテゴリーの他の問題にも得られる結果を活用することである。
  論文  参考訳（メタデータ） (2020-09-22T00:51:45Z)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Convergence of Artificial Intelligence and High Performance Computing on NSF-supported Cyberinfrastructure [3.4291439418246177]
  人工知能(AI)アプリケーションは、産業や技術におけるビッグデータの課題に対して、トランスフォーメーションソリューションを推進している。 AIは、統計的および数学的厳密性を備えたコンピューティングパラダイムへと進化し続けており、トレーニング、検証、テストのためのシングルGPUソリューションがもはや不十分であることが明らかになっている。 この実現により、AIとハイパフォーマンスコンピューティングの融合が加速し、監視時間の短縮が図られている。
  論文  参考訳（メタデータ） (2020-03-18T18:00:02Z)

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。