論文の概要: Accelerating gradient-based topology optimization design with dual-model neural networks

• arxiv url: http://arxiv.org/abs/2009.06245v1
• Date: Mon, 14 Sep 2020 07:52:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 12:15:16.945853
• Title: Accelerating gradient-based topology optimization design with dual-model neural networks
• Title（参考訳）: 2モデルニューラルネットワークによる勾配型トポロジー最適化設計
• Authors: Chao Qian, Wenjing Ye
• Abstract要約: この研究において、ニューラルネットワークは、前進および感度計算のための効率的な代理モデルとして使用される。 感度解析の精度を向上させるために、前方および感度データの両方でトレーニングされたデュアルモデルニューラルネットワークを構築した。 64x64という問題で得られた効率は、前方計算では137倍、感度解析では74倍である。
• 参考スコア（独自算出の注目度）: 21.343803954998915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topology optimization (TO) is a common technique used in free-form designs. However, conventional TO-based design approaches suffer from high computational cost due to the need for repetitive forward calculations and/or sensitivity analysis, which are typically done using high-dimensional simulations such as Finite Element Analysis (FEA). In this work, neural networks are used as efficient surrogate models for forward and sensitivity calculations in order to greatly accelerate the design process of topology optimization. To improve the accuracy of sensitivity analyses, dual-model neural networks that are trained with both forward and sensitivity data are constructed and are integrated into the Solid Isotropic Material with Penalization (SIMP) method to replace FEA. The performance of the accelerated SIMP method is demonstrated on two benchmark design problems namely minimum compliance design and metamaterial design. The efficiency gained in the problem with size of 64x64 is 137 times in forward calculation and 74 times in sensitivity analysis. In addition, effective data generation methods suitable for TO designs are investigated and developed, which lead to a great saving in training time. In both benchmark design problems, a design accuracy of 95% can be achieved with only around 2000 training data.
• Abstract（参考訳）: トポロジー最適化(to)は自由形式設計においてよく用いられる手法である。 しかし,従来のto-based設計手法では,有限要素解析(fea)などの高次元シミュレーションを用いて繰り返し計算や感度解析を行う必要があるため,計算コストが高くなる。 本研究では、トポロジー最適化の設計プロセスを大幅に加速するために、ニューラルネットワークを前方および感度計算のための効率的なサロゲートモデルとして用いる。 感度解析の精度を向上させるために、前方および感度データの両方でトレーニングされたデュアルモデルニューラルネットワークを構築し、FEAを置き換えるためのSolid Isotropic Material with Penalization(SIMP)メソッドに統合する。 最低コンプライアンス設計とメタマテリアル設計という2つのベンチマーク設計問題に対して,高速化SIMP法の性能を示す。 64x64の大きさの問題で得られる効率は、前方計算で137倍、感度解析で74倍である。 さらに,TO設計に適した効率的なデータ生成手法を検討・開発し,トレーニング時間の大幅な削減につながった。 どちらのベンチマーク設計問題においても、約2000のトレーニングデータで95%の設計精度を達成できる。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• 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)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)

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。