Fugu-MT 論文翻訳(概要): PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design

論文の概要: PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design

arxiv url: http://arxiv.org/abs/2106.03620v1
Date: Mon, 7 Jun 2021 13:45:12 GMT
ステータス: 処理完了
システム内更新日: 2021-06-09 05:47:08.940854
Title: PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
Title（参考訳）: pcdgan: 逆設計のための連続条件多元生成逆ネットワーク
Authors: Amin Heyrani Nobari, Wei Chen, Faez Ahmed
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.50166876879424
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Engineering design tasks often require synthesizing new designs that meet desired performance requirements. The conventional design process, which requires iterative optimization and performance evaluation, is slow and dependent on initial designs. Past work has used conditional generative adversarial networks (cGANs) to enable direct design synthesis for given target performances. However, most existing cGANs are restricted to categorical conditions. Recent work on Continuous conditional GAN (CcGAN) tries to address this problem, but still faces two challenges: 1) it performs poorly on non-uniform performance distributions, and 2) the generated designs may not cover the entire design space. We propose a new model, named Performance Conditioned Diverse Generative Adversarial Network (PcDGAN), which introduces a singular vicinal loss combined with a Determinantal Point Processes (DPP) based loss function to enhance diversity. PcDGAN uses a new self-reinforcing score called the Lambert Log Exponential Transition Score (LLETS) for improved conditioning. Experiments on synthetic problems and a real-world airfoil design problem demonstrate that PcDGAN outperforms state-of-the-art GAN models and improves the conditioning likelihood by 69% in an airfoil generation task and up to 78% in synthetic conditional generation tasks and achieves greater design space coverage. The proposed method enables efficient design synthesis and design space exploration with applications ranging from CAD model generation to metamaterial selection.
Abstract（参考訳）: エンジニアリング設計タスクは、しばしば望ましい性能要求を満たす新しい設計を合成する必要がある。繰り返し最適化と性能評価を必要とする従来の設計プロセスは遅く、初期設計に依存している。過去の研究では条件付き生成敵ネットワーク(cgans)を使用して、与えられた目標性能に対して直接設計合成を行った。しかし、既存のほとんどのcGANは分類条件に制限されている。連続条件付きgan (ccgan) に関する最近の研究は、この問題に対処しようとしているが、それでも2つの課題に直面している。そこで,本研究では,dpp(decisionantal point process)に基づく損失関数と組み合わせた特異なビクタナルロスを導入することで多様性を高める,パフォーマンス条件付き多様生成逆ネットワーク (pcdgan) という新しいモデルを提案する。 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エアフォイル設計問題に関する実験により、PcDGANは最先端のGANモデルより優れ、エアフォイル生成タスクでは69%、合成条件生成タスクでは78%の条件付け可能性を改善し、設計空間のカバレッジを向上させることが示されている。提案手法はcadモデル生成からメタマテリアル選択まで,効率的な設計合成と設計空間探索を可能にする。

関連論文リスト

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)
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)
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)
Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T15:32:59Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
TopoDiff: A Performance and Constraint-Guided Diffusion Model for Topology Optimization [4.091593765662773]
TopoDiffは、性能認識および製造可能性認識トポロジー最適化のための条件付き拡散モデルに基づくアーキテクチャである。本手法は,物理性能の平均誤差を8倍に減らし,最先端の条件付きGANを著しく向上させる。
論文参考訳（メタデータ） (2022-08-20T03:26:00Z)
Range-GAN: Range-Constrained Generative Adversarial Network for Conditioned Design Synthesis [10.50166876879424]
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。
論文参考訳（メタデータ） (2021-03-10T18:02:13Z)
MO-PaDGAN: Reparameterizing Engineering Designs for Augmented Multi-objective Optimization [13.866787416457454]
多目的最適化は多くのエンジニアリング設計問題を解決する上で鍵となる。深い生成モデルはコンパクトなデザイン表現を学ぶことができる。 Mo-PaDGANは、生成的対向ネットワークに決定的ポイントプロセスに基づく損失関数を追加する。
論文参考訳（メタデータ） (2020-09-15T13:58:31Z)
MO-PaDGAN: Generating Diverse Designs with Multivariate Performance Enhancement [13.866787416457454]
深部生成モデルは自動設計合成と設計空間探索に有用であることが証明されている。 1) 生成した設計には多様性が欠けていること,2) 生成した設計のすべての性能指標を明示的に改善することが困難であること,3) 既存のモデルは一般に高性能な新規設計を生成できないこと,の3つの課題に直面する。多様性と性能の確率的モデリングのための新しい決定点プロセスに基づく損失関数を含むMO-PaDGANを提案する。
論文参考訳（メタデータ） (2020-07-07T21:57:29Z)
Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文参考訳（メタデータ） (2020-05-08T21:32:42Z)
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。