Fugu-MT 論文翻訳(概要): Toolpath design for additive manufacturing using deep reinforcement learning

論文の概要: Toolpath design for additive manufacturing using deep reinforcement learning

arxiv url: http://arxiv.org/abs/2009.14365v1
Date: Wed, 30 Sep 2020 01:03:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 23:36:02.065086
Title: Toolpath design for additive manufacturing using deep reinforcement learning
Title（参考訳）: 深層強化学習を用いた添加物製造のためのツールパス設計
Authors: Mojtaba Mozaffar, Ablodghani Ebrahimi, Jian Cao
Abstract要約: 本研究では,任意の部分を構築するためのツールパス戦略を動的に学習する強化学習プラットフォームを提案する。その結果,この学習に基づくツールパス設計手法は,特に高密度報酬構造が存在する場合,高いスコアを達成できることが示唆された。
参考スコア（独自算出の注目度）: 2.5480090928128125
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Toolpath optimization of metal-based additive manufacturing processes is currently hampered by the high-dimensionality of its design space. In this work, a reinforcement learning platform is proposed that dynamically learns toolpath strategies to build an arbitrary part. To this end, three prominent model-free reinforcement learning formulations are investigated to design additive manufacturing toolpaths and demonstrated for two cases of dense and sparse reward structures. The results indicate that this learning-based toolpath design approach achieves high scores, especially when a dense reward structure is present.
Abstract（参考訳）: 金属系添加物製造プロセスのツールパス最適化は、現在設計空間の高次元化によって阻害されている。本研究では,任意の部分を構築するためのツールパス戦略を動的に学習する強化学習プラットフォームを提案する。この目的のために, モデルフリーの強化学習式を3種類検討し, 付加物製造用具パスの設計を行い, 濃密な報酬構造と希薄な報酬構造の2例について実証した。その結果,この学習ベースのツールパス設計手法は,特に高い報酬構造が存在する場合に高いスコアが得られることがわかった。

関連論文リスト

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
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)
Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
論文参考訳（メタデータ） (2024-09-04T12:26:19Z)
Deep Reinforcement Learning for the Design of Metamaterial Mechanisms with Functional Compliance Control [1.3654846342364308]
本研究では, 深部強化学習(RL)を用いた適合機構の効率的な設計手法を開発した。 FEAデータはRL法を用いて学習し、所望の機能要件に対して最適な適合機構を得る。
論文参考訳（メタデータ） (2024-08-08T11:18:40Z)
Composite Material Design for Optimized Fracture Toughness Using Machine Learning [0.0]
本稿では,機械学習(ML)技術を用いた2次元および3次元複合構造の最適化について検討する。二重カンチレバービーム(Double Cantilever Beam, DCB)試験における破壊靭性とき裂進展に焦点を当てている。
論文参考訳（メタデータ） (2024-06-23T17:01:14Z)
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)
How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文参考訳（メタデータ） (2021-11-10T21:19:02Z)
On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
論文参考訳（メタデータ） (2021-10-30T11:41:49Z)
Designing Composites with Target Effective Young's Modulus using Reinforcement Learning [22.370280906472008]
複合構造設計のための強化学習(Reinforcement Learning, RL)ベースのフレームワークを開発し, 活用する。構成材料のソフトブロックと順応ブロックからなる複合設計空間5ドルに対して、本手法を用いることで、総設計空間の2.78%が225ドルの設計可能性から構成できることがわかった。開発されたRLベースのフレームワークは、90%以上の成功率で設計を見つけることができる。
論文参考訳（メタデータ） (2021-10-07T05:44:48Z)
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)
Evaluating Mixed-Initiative Procedural Level Design Tools using a Triple-Blind Mixed-Method User Study [0.0]
インタラクティブな進化的最適化を用いてレベルを生成するツールを,本研究のために設計した。このツールは、手書き地図のレベルデザインパターンを特定し、その情報を使ってインタラクティブな最適化アルゴリズムを駆動する。複雑なイニシアティブツールを使用したデザイナの経験を、完全にランダムなレベルの提案を提供するツールを与えられたデザイナと比較した厳密なユーザスタディが設計された。
論文参考訳（メタデータ） (2020-05-15T11:40:53Z)

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。