論文の概要: Robust Topology Optimization Using Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2107.10661v1
- Date: Mon, 19 Jul 2021 20:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 12:50:25.529421
- Title: Robust Topology Optimization Using Variational Autoencoders
- Title(参考訳): 変分オートエンコーダを用いたロバストトポロジー最適化
- Authors: Rini Jasmine Gladstone, Mohammad Amin Nabian, Vahid Keshavarzzadeh,
Hadi Meidani
- Abstract要約: 本研究では、ニューラルネットワークサロゲートを用いて、サロゲートベースの最適化によるより高速なソリューションアプローチを実現する。
また、高次元設計空間を低次元に変換するための変分オートエンコーダ(VAE)も構築する。
結果として得られる勾配に基づく最適化アルゴリズムは、トレーニングセットで見られるものよりもロバストなコンプライアンスが低い最適設計を生成する。
- 参考スコア(独自算出の注目度): 2.580765958706854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topology Optimization is the process of finding the optimal arrangement of
materials within a design domain by minimizing a cost function, subject to some
performance constraints. Robust topology optimization (RTO) also incorporates
the effect of input uncertainties and produces a design with the best average
performance of the structure while reducing the response sensitivity to input
uncertainties. It is computationally expensive to carry out RTO using finite
element and Monte Carlo sampling. In this work, we use neural network
surrogates to enable a faster solution approach via surrogate-based
optimization and build a Variational Autoencoder (VAE) to transform the the
high dimensional design space into a low dimensional one. Furthermore, finite
element solvers will be replaced by a neural network surrogate. Also, to
further facilitate the design exploration, we limit our search to a subspace,
which consists of designs that are solutions to deterministic topology
optimization problems under different realizations of input uncertainties. With
these neural network approximations, a gradient-based optimization approach is
formed to minimize the predicted objective function over the low dimensional
design subspace. We demonstrate the effectiveness of the proposed approach on
two compliance minimization problems and show that VAE performs well on
learning the features of the design from minimal training data, and that
converting the design space into a low dimensional latent space makes the
problem computationally efficient. The resulting gradient-based optimization
algorithm produces optimal designs with lower robust compliances than those
observed in the training set.
- Abstract(参考訳): トポロジー最適化(英: topology optimization)は、コスト関数を最小化することで設計領域内の材料の最適な配置を見つけるプロセスである。
ロバスト位相最適化(RTO)もまた入力不確実性の効果を取り入れ、入力不確実性に対する応答感度を低減しつつ、その構造の平均性能を最も高くした設計を生成する。
有限要素とモンテカルロサンプリングを用いてRTOを実行するのは計算コストが高い。
本研究では,ニューラルネットワークサロゲートを用いて,サロゲートに基づく最適化による高速な解法を実現するとともに,高次元設計空間を低次元に変換する変分オートエンコーダ(vae)を構築した。
さらに、有限要素ソルバはニューラルネットワークサロゲートに置き換えられる。
また、設計探索をさらに促進するために、入力の不確かさの異なる実現の下で決定論的トポロジー最適化問題に対する解決策となる設計からなる部分空間に探索を限定する。
これらのニューラルネットワーク近似により、低次元設計部分空間上の予測対象関数を最小化する勾配に基づく最適化手法が形成される。
本研究では,2つのコンプライアンス最小化問題に対する提案手法の有効性を実証し,vaeが最小限のトレーニングデータから設計の特徴を学習し,設計空間を低次元の潜在空間に変換することで計算効率が向上することを示す。
結果として得られる勾配に基づく最適化アルゴリズムは、トレーニングセットで見られるものよりもロバストなコンプライアンスが低い最適設計を生成する。
関連論文リスト
- Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。
我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
論文 参考訳(メタデータ) (2023-07-10T13:01:27Z) - Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。
SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。
本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
論文 参考訳(メタデータ) (2023-03-17T03:47:10Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - A mechanistic-based data-driven approach to accelerate structural
topology optimization through finite element convolutional neural network
(FE-CNN) [5.469226380238751]
構造トポロジ最適化を高速化するメカニスティックなデータ駆動手法を提案する。
我々のアプローチは、オフライントレーニングとオンライン最適化の2つの段階に分けられる。
数値的な例は、この手法が計算時間で最大1桁の最適化を加速できることを示している。
論文 参考訳(メタデータ) (2021-06-25T14:11:45Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳(メタデータ) (2021-02-16T06:04:27Z) - 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) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z) - 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) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳(メタデータ) (2020-01-03T11:01:52Z)
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。