論文の概要: GANTL: Towards Practical and Real-Time Topology Optimization with
Conditional GANs and Transfer Learning
- arxiv url: http://arxiv.org/abs/2105.03045v1
- Date: Fri, 7 May 2021 03:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:27:49.018042
- Title: GANTL: Towards Practical and Real-Time Topology Optimization with
Conditional GANs and Transfer Learning
- Title（参考訳）: GANTL: 条件付きGANによる実時間トポロジ最適化と伝達学習を目指して
- Authors: Mohammad Mahdi Behzadi, Horea T. Ilies
- Abstract要約: 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。
- 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: Many machine learning methods have been recently developed to circumvent the
high computational cost of the gradient-based topology optimization. These
methods typically require extensive and costly datasets for training, have a
difficult time generalizing to unseen boundary and loading conditions and to
new domains, and do not take into consideration topological constraints of the
predictions, which produces predictions with inconsistent topologies. We
present a deep learning method based on generative adversarial networks for
generative design exploration. The proposed method combines the generative
power of conditional GANs with the knowledge transfer capabilities of transfer
learning methods to predict optimal topologies for unseen boundary conditions.
We also show that the knowledge transfer capabilities embedded in the design of
the proposed algorithm significantly reduces the size of the training dataset
compared to the traditional deep learning neural or adversarial networks.
Moreover, we formulate a topological loss function based on the bottleneck
distance obtained from the persistent diagram of the structures and demonstrate
a significant improvement in the topological connectivity of the predicted
structures. We use numerous examples to explore the efficiency and accuracy of
the proposed approach for both seen and unseen boundary conditions in 2D.
- Abstract（参考訳）: 勾配に基づくトポロジ最適化の計算コストを回避すべく,近年,多くの機械学習手法が開発されている。
これらの方法は、通常、トレーニングのために広範囲で費用のかかるデータセットを必要とし、境界や積み込み条件や新しいドメインに一般化するのは難しい時間を持ち、矛盾したトポロジーを持つ予測を生成する予測のトポロジー的な制約を考慮しない。
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。
また,提案アルゴリズムの設計に組み込まれた知識伝達能力は,従来のディープラーニングニューラルネットワークや逆ネットワークと比較して,トレーニングデータセットのサイズを大幅に削減することを示した。
さらに, この構造図から得られたボトルネック距離に基づいてトポロジ的損失関数を定式化し, 予測された構造物のトポロジ的接続性を大幅に向上させることを示す。
提案手法の効率と精度を,2次元における境界条件と境界条件の両方について検討するために,多くの例を用いて検討した。
関連論文リスト
- Topological Generalization Bounds for Discrete-Time Stochastic Optimization Algorithms [15.473123662393169]
ディープニューラルネットワーク(DNN)は、顕著な一般化特性を示す。
これらの能力の源泉は依然として解明され、確立された統計的学習理論を否定している。
近年の研究では、訓練軌跡の性質が一般化の指標であることが示されている。
論文 参考訳（メタデータ） (2024-07-11T17:56:03Z) - Lattice real-time simulations with learned optimal kernels [49.1574468325115]
本稿では、強化学習にインスパイアされた量子場のリアルタイムダイナミクスのシミュレーション戦略を提案する。
複雑なLangevinアプローチに基づいて構築され、システム固有の事前情報で修正される。
論文 参考訳（メタデータ） (2023-10-12T06:01:01Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳（メタデータ） (2023-05-12T14:21:14Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Analytically Tractable Inference in Deep Neural Networks [0.0]
Tractable Approximate Inference (TAGI)アルゴリズムは、浅いフルコネクテッドニューラルネットワークのバックプロパゲーションに対する実行可能でスケーラブルな代替手段であることが示された。
従来のディープニューラルネットワークアーキテクチャをトレーニングするために、TAGIがバックプロパゲーションのパフォーマンスとどのように一致するか、または上回るかを実証しています。
論文 参考訳（メタデータ） (2021-03-09T14:51:34Z) - 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) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z)
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。