論文の概要: Designing Composites with Target Effective Young's Modulus using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2110.05260v1
• Date: Thu, 7 Oct 2021 05:44:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 20:52:03.655134
• Title: Designing Composites with Target Effective Young's Modulus using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた最適ヤング率を有する複合材料の設計
• Authors: Aldair E. Gongora, Siddharth Mysore, Beichen Li, Wan Shou, Wojciech Matusik, Elise F. Morgan, Keith A. Brown, Emily Whiting
• Abstract要約: 複合構造設計のための強化学習(Reinforcement Learning, RL)ベースのフレームワークを開発し, 活用する。 構成材料のソフトブロックと順応ブロックからなる複合設計空間5ドルに対して、本手法を用いることで、総設計空間の2.78%が225ドルの設計可能性から構成できることがわかった。 開発されたRLベースのフレームワークは、90%以上の成功率で設計を見つけることができる。
• 参考スコア（独自算出の注目度）: 22.370280906472008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advancements in additive manufacturing have enabled design and fabrication of materials and structures not previously realizable. In particular, the design space of composite materials and structures has vastly expanded, and the resulting size and complexity has challenged traditional design methodologies, such as brute force exploration and one factor at a time (OFAT) exploration, to find optimum or tailored designs. To address this challenge, supervised machine learning approaches have emerged to model the design space using curated training data; however, the selection of the training data is often determined by the user. In this work, we develop and utilize a Reinforcement learning (RL)-based framework for the design of composite structures which avoids the need for user-selected training data. For a 5 $\times$ 5 composite design space comprised of soft and compliant blocks of constituent material, we find that using this approach, the model can be trained using 2.78% of the total design space consists of $2^{25}$ design possibilities. Additionally, the developed RL-based framework is capable of finding designs at a success rate exceeding 90%. The success of this approach motivates future learning frameworks to utilize RL for the design of composites and other material systems.
• Abstract（参考訳）: 添加性製造の進歩は、これまで実現できなかった材料や構造物の設計と製造を可能にした。 特に、複合材料や構造物の設計空間は大きく拡大し、結果として生じる大きさと複雑さは、ブラト力探索や1度に1つの要素(OFAT)探索といった伝統的な設計手法に挑戦し、最適な設計や調整された設計を見いだした。 この課題に対処するために、教師付き機械学習アプローチが登場し、キュレートされたトレーニングデータを使用して設計空間をモデル化するが、トレーニングデータの選択はしばしばユーザによって決定される。 本研究では,ユーザが選択したトレーニングデータを必要としない複合構造設計のための強化学習(rl)ベースのフレームワークを開発し,活用する。 5ドルの$\times$ 5の複合設計スペースは、ソフトでコンプライアントな構成材料のブロックで構成されており、このアプローチを用いることで、設計スペース全体の2.78%を2^{25}$の設計可能性でトレーニングできることがわかった。 さらに、RLベースのフレームワークは90%を超える成功率で設計を見つけることができる。 このアプローチの成功は、コンポジットやその他の材料システムの設計にRLを利用するための将来の学習フレームワークを動機付けている。

関連論文リスト

• DiffDesign: Controllable Diffusion with Meta Prior for Efficient Interior Design Generation [25.532400438564334]
  DiffDesignは、メタプリミティブを持つ制御可能な拡散モデルであり、効率的な内部設計生成を実現する。 具体的には,画像データセット上で事前学習した2次元拡散モデルの生成先行をレンダリングバックボーンとして利用する。 さらに、外観、ポーズ、サイズといったデザイン属性を横断的に制御し、視点整合性を強制する最適な転送ベースのアライメントモジュールを導入することで、デノナイジングプロセスをガイドする。
  論文  参考訳（メタデータ） (2024-11-25T11:36:34Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
  本調査では,コンピュータ支援設計における学習手法の概要について概観する。 類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。 ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
  論文  参考訳（メタデータ） (2024-02-27T17:11:35Z)
• 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)
• Machine Learning-Based Multi-Objective Design Exploration Of Flexible Disc Elements [1.5638419778920147]
  本稿では,ANNアーキテクチャを工学設計問題に適用し,改良された設計ソリューションの探索と同定を行う。 本研究の問題点は、ディスク結合に使用されるフレキシブルディスク素子の設計である。 この目的を達成するために、ANNと遺伝的アルゴリズムを組み合わせて設計探索を行い、指定された基準を満たす設計を同定する。
  論文  参考訳（メタデータ） (2023-04-14T16:48:51Z)
• 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)
• Hybrid Supervised and Reinforcement Learning for the Design and Optimization of Nanophotonic Structures [8.677532138573984]
  本稿では,ナノフォトニック構造の逆設計に対するハイブリッド・教師付き・強化学習手法を提案する。 提案手法は,訓練データの依存度を低減し,モデル予測の一般化性を向上させるとともに,探索訓練時間を桁違いに短縮できることを示す。
  論文  参考訳（メタデータ） (2022-09-08T22:43:40Z)
• AIRCHITECT: Learning Custom Architecture Design and Mapping Space [2.498907460918493]
  我々は機械学習モデルをトレーニングし、カスタムアーキテクチャの設計とマッピング空間の最適パラメータを予測する。 最適設計およびマッピングパラメータの予測を「一般化」するために,設計空間を捕捉し,モデルを訓練することは可能であることを示す。 私たちはAIRCHITECTと呼ばれるカスタムネットワークアーキテクチャをトレーニングし、94.3%のテスト精度でアーキテクチャ設計空間を学習することができる。
  論文  参考訳（メタデータ） (2021-08-16T05:05:52Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Designing for the Long Tail of Machine Learning [0.0]
  機械学習のパフォーマンスがトレーニングデータとどのようにスケールし、デザイナがデータ収集、モデル開発、および与えられたモデルパフォーマンスのための貴重なインタラクションを設計するためのトレードオフをガイドするかを説明します。 我々は,ブートストラップフェーズにおける初期システムの設計に有用なパターンについて論じる。
  論文  参考訳（メタデータ） (2020-01-21T11:53:28Z)

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。