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
- 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) - Machine learning for structure-guided materials and process design [0.6282171844772422]
プロセス-構造-プロパティチェーン全体を網羅する全体最適化手法を提案する。
本手法では,2つの重要な識別問題に対処するために,機械学習技術を用いる。
本手法は, 金属成形プロセスにおいて, 所望の特性を有する結晶テクスチャを作製するために用いられる。
論文 参考訳(メタデータ) (2023-12-22T09:28:30Z) - 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) - Cut-and-Approximate: 3D Shape Reconstruction from Planar Cross-sections
with Deep Reinforcement Learning [0.0]
我々は,この課題を解決するための最初の3次元形状再構成ネットワークについて,その知識を最大限に活用する。
本手法は,強化学習アルゴリズムを適用し,その形状を効果的に解析する方法を学習する。
論文 参考訳(メタデータ) (2022-10-22T17:48:12Z) - 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) - Densely Nested Top-Down Flows for Salient Object Detection [137.74130900326833]
本稿では,物体検出におけるトップダウンモデリングの役割を再考する。
密度の高いトップダウンフロー(DNTDF)ベースのフレームワークを設計する。
DNTDFのすべての段階において、高いレベルの特徴はプログレッシブ圧縮ショートカットパス(PCSP)を介して読み込まれる。
論文 参考訳(メタデータ) (2021-02-18T03:14:02Z) - Deep Reinforcement Learning Methods for Structure-Guided Processing Path
Optimization [2.462953128215088]
材料設計の大きな目標は、望ましい特性を持つ材料構造を見つけることである。
本稿では,処理経路最適化のための深層強化学習手法を提案する。
論文 参考訳(メタデータ) (2020-09-21T09:20:24Z) - 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。
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。