論文の概要: An FEA surrogate model with Boundary Oriented Graph Embedding approach
- arxiv url: http://arxiv.org/abs/2108.13509v1
- Date: Mon, 30 Aug 2021 20:35:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 14:20:10.863043
- Title: An FEA surrogate model with Boundary Oriented Graph Embedding approach
- Title(参考訳): 境界指向グラフ埋め込みアプローチによるfeaサロゲートモデル
- Authors: Xingyu Fu, Fengfeng Zhou, Dheeraj Peddireddy, Zhengyang Kang, Martin
Byung-Guk Jun, Vaneet Aggarwal
- Abstract要約: グラフニューラルネットワーク(GNN)のための境界指向グラフ埋め込み(BOGE)アプローチを提案する。
BOGEのアプローチでは、構造化メッシュ要素をグラフに埋め込むことができ、大規模な三角形メッシュベースのFAA結果に対して効率的な回帰を行うことができる。
3層DeepGCNモデルによるBOGEアプローチは、応力場予測のためのMSE 0.011706 (2.41% MAPE) と、位相最適化のための0.002735 MSE (0.01) 以上の誤差を持つ1.58%の要素) による回帰を導出する。
- 参考スコア(独自算出の注目度): 28.104112546546947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present a Boundary Oriented Graph Embedding (BOGE) approach
for the Graph Neural Network (GNN) to serve as a general surrogate model for
regressing physical fields and solving boundary value problems. Providing
shortcuts for both boundary elements and local neighbor elements, the BOGE
approach can embed structured mesh elements into the graph and performs an
efficient regression on large-scale triangular-mesh-based FEA results, which
cannot be realized by other machine-learning-based surrogate methods. Focusing
on the cantilever beam problem, our BOGE approach cannot only fit the
distribution of stress fields but also regresses the topological optimization
results, which show its potential of realizing abstract decision-making design
process. The BOGE approach with 3-layer DeepGCN model \textcolor{blue}{achieves
the regression with MSE of 0.011706 (2.41\% MAPE) for stress field prediction
and 0.002735 MSE (with 1.58\% elements having error larger than 0.01) for
topological optimization.} The overall concept of the BOGE approach paves the
way for a general and efficient deep-learning-based FEA simulator that will
benefit both industry and design-related areas.
- Abstract(参考訳): 本稿では,グラフニューラルネットワーク(gnn)に対する境界指向グラフ埋め込み(boge)アプローチを,物理フィールドのレグレッションと境界値問題の解決のための汎用サロゲートモデルとして利用することを提案する。
境界要素と局所近傍要素の両方のショートカットを提供することで、BOGEアプローチは構造化メッシュ要素をグラフに埋め込むことができ、大規模な三角形のメシュに基づくFAA結果に対して効率的な回帰を行うことができる。
カンチレバービーム問題に着目したbogeアプローチは,応力場分布に適合するだけでなく,抽象的意思決定設計プロセスを実現する可能性を示すトポロジカル最適化結果を後退させる。
3層DeepGCNモデルによるBOGEアプローチは、応力場予測のための 0.011706 (2.41\% MAPE) と位相最適化のための 0.002735 MSE (0.01) よりも大きい誤差を持つ 1.58\% 要素) の回帰を導出する。
BOGEアプローチの全体的な概念は、業界とデザイン関連の領域の両方に利益をもたらす、汎用的で効率的なディープラーニングベースのFEAシミュレータの道を開くものである。
関連論文リスト
- Learning Topological Representations with Bidirectional Graph Attention
Network for Solving Job Shop Scheduling Problem [29.936902745759728]
既存の学習に基づくジョブショップスケジューリング問題(JSSP)の解法は、通常、非方向グラフに適した既製のGNNモデルを使用する。
本稿では,JSSP を解決するための DG を局所検索フレームワークに組み込むためのトポロジ対応双方向グラフアテンションネットワーク (TBGAT) を提案する。
論文 参考訳(メタデータ) (2024-02-27T15:33:20Z) - Gradient Flow of Energy: A General and Efficient Approach for Entity
Alignment Decoding [26.081103931740277]
我々は,エンティティの埋め込みのみに依存する,新しい,一般化された,効率的なデコーディング手法をEAに導入する。
本手法はディリクレエネルギーを最小化してデコード処理を最適化し,グラフ内の勾配流を誘導し,グラフのホモフィリーを促進させる。
特に、この手法は6秒未満の計算時間でこれらの進歩を達成し、将来のEA手法の効率性と適応性に関する新しいベンチマークを確立する。
論文 参考訳(メタデータ) (2024-01-23T14:31:12Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2023-12-19T18:00:15Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - GNN at the Edge: Cost-Efficient Graph Neural Network Processing over
Distributed Edge Servers [24.109721494781592]
グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。
本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。
提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2022-10-31T13:03:16Z) - Efficient Learning of Mesh-Based Physical Simulation with BSMS-GNN [36.73790892258642]
Bi-strideは、ブロードスファースト検索のすべてのフロンティアにノードをプールする。
U-Netに類似したレベルごとの1MPスキームと非パラメタライズドプールは計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2022-10-05T21:45:16Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳(メタデータ) (2022-07-18T14:23:31Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳(メタデータ) (2021-05-07T14:49:28Z) - Polynomial-Time Exact MAP Inference on Discrete Models with Global
Dependencies [83.05591911173332]
ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。
本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
論文 参考訳(メタデータ) (2019-12-27T13:30:29Z)
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。