論文の概要: Real-Time Topology Optimization in 3D via Deep Transfer Learning
- arxiv url: http://arxiv.org/abs/2102.07657v1
- Date: Thu, 11 Feb 2021 21:09:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 16:07:14.573260
- Title: Real-Time Topology Optimization in 3D via Deep Transfer Learning
- Title（参考訳）: 深層伝達学習による3次元のリアルタイムトポロジー最適化
- Authors: MohammadMahdi Behzadi, Horea T. Ilies
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The published literature on topology optimization has exploded over the last
two decades to include methods that use shape and topological derivatives or
evolutionary algorithms formulated on various geometric representations and
parametrizations. One of the key challenges of all these methods is the massive
computational cost associated with 3D topology optimization problems. We
introduce a transfer learning method based on a convolutional neural network
that (1) can handle high-resolution 3D design domains of various shapes and
topologies; (2) supports real-time design space explorations as the domain and
boundary conditions change; (3) requires a much smaller set of high-resolution
examples for the improvement of learning in a new task compared to traditional
deep learning networks; (4) is multiple orders of magnitude more efficient than
the established gradient-based methods, such as SIMP. We provide numerous 2D
and 3D examples to showcase the effectiveness and accuracy of our proposed
approach, including for design domains that are unseen to our source network,
as well as the generalization capabilities of the transfer learning-based
approach. Our experiments achieved an average binary accuracy of around 95% at
real-time prediction rates. These properties, in turn, suggest that the
proposed transfer-learning method may serve as the first practical underlying
framework for real-time 3D design exploration based on topology optimization
- Abstract（参考訳）: トポロジー最適化に関する論文は過去20年で爆発的に発展し、形状や位相微分や様々な幾何学表現やパラメトリゼーションに基づいて定式化された進化的アルゴリズムを使う方法を含んでいる。
これらの手法の鍵となる課題の1つは、3次元トポロジー最適化問題に関連する膨大な計算コストである。
We introduce a transfer learning method based on a convolutional neural network that (1) can handle high-resolution 3D design domains of various shapes and topologies; (2) supports real-time design space explorations as the domain and boundary conditions change; (3) requires a much smaller set of high-resolution examples for the improvement of learning in a new task compared to traditional deep learning networks; (4) is multiple orders of magnitude more efficient than the established gradient-based methods, such as SIMP.
ソースネットワークには見られない設計領域や、トランスファーラーニングに基づくアプローチの一般化機能など、提案手法の有効性と精度を示すために、多数の2Dおよび3Dサンプルを提供しています。
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。
これらの特性から,提案手法がトポロジ最適化に基づくリアルタイム3次元デザイン探索のための最初の実践的基盤となる可能性が示唆された。
関連論文リスト
- Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - Deep Learning Assisted Optimization for 3D Reconstruction from Single 2D
Line Drawings [13.532686360047574]
本稿では,3次元物体の幾何学的実体間の対関係を検出するために,ディープニューラルネットワークを訓練することを提案する。
CADモデルの大規模なデータセット実験により、幾何学的制約解決パイプラインにおけるディープラーニングを活用することにより、最適化に基づく3D再構成の成功率を大幅に改善できることが示されている。
論文 参考訳（メタデータ） (2022-09-06T17:59:11Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳（メタデータ） (2021-10-12T19:28:39Z) - GANTL: Towards Practical and Real-Time Topology Optimization with
Conditional GANs and Transfer Learning [0.0]
生成的設計探索のための生成的敵ネットワークに基づく深層学習手法を提案する。
提案手法は,条件付きGANの生成能力と伝達学習手法の知識伝達能力を組み合わせて,未知境界条件に対する最適位相を推定する。
論文 参考訳（メタデータ） (2021-05-07T03:13:32Z) - Deep Optimized Priors for 3D Shape Modeling and Reconstruction [38.79018852887249]
3Dモデリングと再構築のための新しい学習フレームワークを紹介します。
提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
論文 参考訳（メタデータ） (2020-12-14T03:56:31Z) - Physics-consistent deep learning for structural topology optimization [8.391633158275692]
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。
論文 参考訳（メタデータ） (2020-12-09T23:05:55Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z) - Deep-Learning based Inverse Modeling Approaches: A Subsurface Flow
Example [0.0]
理論誘導ニューラルネットワーク(TgNN)は、不確実なモデルパラメータの問題に対するディープラーニングサロゲートとして構築されている。
直接逆モデリングでは,TgNNが地理情報に制約を課した直接深層学習逆変換法が提案されている。
論文 参考訳（メタデータ） (2020-07-28T15:31:07Z)
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。