論文の概要: Range-GAN: Range-Constrained Generative Adversarial Network for
Conditioned Design Synthesis
- arxiv url: http://arxiv.org/abs/2103.06230v1
- Date: Wed, 10 Mar 2021 18:02:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:48:33.468868
- Title: Range-GAN: Range-Constrained Generative Adversarial Network for
Conditioned Design Synthesis
- Title（参考訳）: Range-GAN:Range-Constrained Generative Adversarial Network for Conditioned Design synthesis
- Authors: Amin Heyrani Nobari, Wei Chen, Faez Ahmed
- Abstract要約: 条件付きディープジェネレーションモデルであるRange-GANを提案し、レンジ制約による自動設計を実現します。
ラベル認識による自己増強は,生成した3D形状に対する制約満足度を平均して14%向上させる。
また,所定の要求範囲を均等にカバーできる新しい均一性損失を提案する。
- 参考スコア（独自算出の注目度）: 10.50166876879424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Typical engineering design tasks require the effort to modify designs
iteratively until they meet certain constraints, i.e., performance or attribute
requirements. Past work has proposed ways to solve the inverse design problem,
where desired designs are directly generated from specified requirements, thus
avoid the trial and error process. Among those approaches, the conditional deep
generative model shows great potential since 1) it works for complex
high-dimensional designs and 2) it can generate multiple alternative designs
given any condition. In this work, we propose a conditional deep generative
model, Range-GAN, to achieve automatic design synthesis subject to range
constraints. The proposed model addresses the sparse conditioning issue in
data-driven inverse design problems by introducing a label-aware
self-augmentation approach. We also propose a new uniformity loss to ensure
generated designs evenly cover the given requirement range. Through a
real-world example of constrained 3D shape generation, we show that the
label-aware self-augmentation leads to an average improvement of 14% on the
constraint satisfaction for generated 3D shapes, and the uniformity loss leads
to a 125% average increase on the uniformity of generated shapes' attributes.
This work laid the foundation for data-driven inverse design problems where we
consider range constraints and there are sparse regions in the condition space.
- Abstract（参考訳）: 典型的なエンジニアリング設計タスクは、特定の制約、すなわちパフォーマンスや属性要件を満たすまでデザインを反復的に変更する努力を必要とする。
過去の研究は、望ましい設計を特定の要求から直接生成する逆設計問題を解決する方法を提案しており、試行錯誤のプロセスは避けている。
それらのアプローチの中で、条件付き深層生成モデルは、1)複雑な高次元設計のために機能し、2)任意の条件で複数の代替設計を生成できるため、大きなポテンシャルを示す。
本研究では,条件付き深層生成モデルであるrange-ganを提案する。
ラベル認識型自己拡張手法を導入することにより,データ駆動逆設計問題におけるスパース条件付け問題に対処する。
また,所定の要求範囲を均等にカバーできる新しい均一性損失を提案する。
制約付き3次元形状生成の実例を通して,ラベル認識による自己表現は生成した3次元形状に対する制約満足度を平均14%向上させ,均一性損失は生成形状属性の均一性において平均125%向上することを示した。
この研究は、範囲制約を考慮したデータ駆動逆設計問題の基盤となり、条件空間に疎い領域が存在する。
関連論文リスト
- Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:57:29Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。
非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
論文 参考訳（メタデータ） (2024-02-13T15:45:20Z) - Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints [53.66698106829144]
広い範囲のレイアウト生成タスクを処理する統一モデルを提案する。
このモデルは連続拡散モデルに基づいている。
実験結果から,LACEは高品質なレイアウトを生成することがわかった。
論文 参考訳（メタデータ） (2024-02-07T11:12:41Z) - 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) - Latent Diffusion Models for Structural Component Design [11.342098118480802]
本稿では,構造部品の生成設計のための枠組みを提案する。
我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
論文 参考訳（メタデータ） (2023-09-20T19:28:45Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳（メタデータ） (2023-05-31T16:31:24Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳（メタデータ） (2023-03-26T12:03:18Z) - PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network
For Inverse Design [10.50166876879424]
我々はPcDGAN(Performance Conditioned Diverse Generative Adversarial Network)を紹介する。
PcDGANは新しい自己強化スコアである Lambert Log Exponential Transition Score (LLETS) を使用して条件付けを改善する。
合成問題と実世界の翼設計に関する実験は、PcDGANが最先端のGANモデルより優れていることを示した。
論文 参考訳（メタデータ） (2021-06-07T13:45:12Z) - Autofocused oracles for model-based design [8.22379888383833]
非ゼロサムゲームとしてデータ駆動設計問題を定式化する。
設計アルゴリズムが進むにつれて回帰モデルを再訓練するための原則的戦略を開発する。
論文 参考訳（メタデータ） (2020-06-14T23:22:50Z) - PaDGAN: A Generative Adversarial Network for Performance Augmented
Diverse Designs [13.866787416457454]
本研究では, 優れた設計空間を網羅した新規な高品質な設計を創出可能な, 高性能拡張多言語生成ネットワーク(Performance Augmented Diverse Generative Adversarial Network) または PaDGAN を開発した。
バニラ生成適応ネットワークと比較して、平均的な平均品質スコアが28%高く、多様性が大きく、モード崩壊の問題がないサンプルを生成する。
論文 参考訳（メタデータ） (2020-02-26T04:53:39Z)
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。