論文の概要: Physics-consistent deep learning for structural topology optimization
- arxiv url: http://arxiv.org/abs/2012.05359v1
- Date: Wed, 9 Dec 2020 23:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:56:59.334059
- Title: Physics-consistent deep learning for structural topology optimization
- Title（参考訳）: 構造トポロジー最適化のための物理一貫性深層学習
- Authors: Jaydeep Rade, Aditya Balu, Ethan Herron, Jay Pathak, Rishikesh Ranade,
Soumik Sarkar, Adarsh Krishnamurthy
- Abstract要約: トポロジ最適化は、コンポーネントの設計を洗練し、パフォーマンスを向上するための一般的なアプローチとして現れています。
現在の最新のトポロジ最適化フレームワークは計算集約的です。
本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
- 参考スコア（独自算出の注目度）: 8.391633158275692
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Topology optimization has emerged as a popular approach to refine a
component's design and increasing its performance. However, current
state-of-the-art topology optimization frameworks are compute-intensive, mainly
due to multiple finite element analysis iterations required to evaluate the
component's performance during the optimization process. Recently, machine
learning-based topology optimization methods have been explored by researchers
to alleviate this issue. However, previous approaches have mainly been
demonstrated on simple two-dimensional applications with low-resolution
geometry. Further, current approaches are based on a single machine learning
model for end-to-end prediction, which requires a large dataset for training.
These challenges make it non-trivial to extend the current approaches to higher
resolutions. In this paper, we explore a deep learning-based framework for
performing topology optimization for three-dimensional geometries with a
reasonably fine (high) resolution. We are able to achieve this by training
multiple networks, each trying to learn a different aspect of the overall
topology optimization methodology. We demonstrate the application of our
framework on both 2D and 3D geometries. The results show that our approach
predicts the final optimized design better than current ML-based topology
optimization methods.
- Abstract（参考訳）: トポロジ最適化は、コンポーネントの設計を洗練し、性能を向上するための一般的なアプローチとして登場した。
しかし、現在最先端のトポロジー最適化フレームワークは計算集約的であり、主に最適化プロセス中のコンポーネントのパフォーマンスを評価するのに必要な複数の有限要素分析イテレーションが必要である。
近年,機械学習に基づくトポロジー最適化手法が研究者によって研究されている。
しかし、従来のアプローチは主に低分解能幾何を持つ単純な2次元の応用で実証されてきた。
さらに、現在のアプローチは、トレーニングに大規模なデータセットを必要とするエンドツーエンドの予測のための単一の機械学習モデルに基づいている。
これらの課題により、現在のアプローチをより高い解像度に拡張するのは非自明です。
本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
複数のネットワークをトレーニングし、それぞれが全体的なトポロジ最適化手法の異なる側面を学ぼうとすることで、これを実現できるのです。
2次元および3次元ジオメトリにおける我々のフレームワークの適用例を示す。
その結果,提案手法は現在のMLベースのトポロジ最適化手法よりも,最終的な最適化設計をより良く予測できることがわかった。
関連論文リスト
- See Further for Parameter Efficient Fine-tuning by Standing on the Shoulders of Decomposition [56.87609859444084]
パラメータ効率の細かいチューニング(PEFT)は、パラメータの選択したサブセットを最適化し、残りを固定し、計算とストレージのオーバーヘッドを大幅に削減することに焦点を当てている。
分解の観点からそれらを分離することで、すべてのアプローチを統一する第一歩を踏み出します。
本稿では,PEFT技術の性能向上を目的とした,単純かつ効果的なフレームワークとともに,新しい2つのPEFT手法を提案する。
論文 参考訳（メタデータ） (2024-07-07T15:44:42Z) - Unleashing the Potential of Large Language Models as Prompt Optimizers: An Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。
モデルパラメータ学習における2つの重要な要素を同定する。
特に、勾配に基づく最適化から理論的な枠組みや学習手法を借用し、改良された戦略を設計する。
論文 参考訳（メタデータ） (2024-02-27T15:05:32Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - A Survey on Multi-Objective based Parameter Optimization for Deep
Learning [1.3223682837381137]
深層ニューラルネットワークを用いたパラメータ最適化における多目的最適化手法の有効性について検討する。
これら2つの手法を組み合わせて、複数のアプリケーションにおける予測と分析の生成に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2023-05-17T07:48:54Z) - Tile Networks: Learning Optimal Geometric Layout for Whole-page
Recommendation [14.951408879079272]
強化学習を用いて全ページ推薦のための構成最適化問題を解くことができることを示す。
提案した textitTile Networks は、適切な位置にアイテムを配置することで、2次元の幾何学的構成を最適化するニューラルネットワークである。
論文 参考訳（メタデータ） (2023-03-03T02:18:55Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - RL-PGO: Reinforcement Learning-based Planar Pose-Graph Optimization [1.4884785898657995]
本稿では,最新のDeep Reinforcement Learning (DRL) ベースの環境と2次元ポーズグラフ最適化のためのエージェントを提案する。
本研究では、ポーズグラフ最適化問題を部分的に観測可能な決定プロセスとしてモデル化し、実世界および合成データセットの性能を評価することを実証する。
論文 参考訳（メタデータ） (2022-02-26T20:10:14Z) - Real-Time Topology Optimization in 3D via Deep Transfer Learning [0.0]
本稿では,畳み込みニューラルネットワークに基づく伝達学習手法を提案する。
さまざまな形状やトポロジの高解像度3Dデザイン領域に対応できることを示します。
実験では,平均二進法精度を95%程度,実時間予測速度で達成した。
論文 参考訳（メタデータ） (2021-02-11T21:09:58Z) - 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) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳（メタデータ） (2020-06-11T06:50:35Z) - Objective-Sensitive Principal Component Analysis for High-Dimensional
Inverse Problems [0.0]
本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。
開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。
最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
論文 参考訳（メタデータ） (2020-06-02T18:51:17Z)
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。