論文の概要: Deep Generative Models in Engineering Design: A Review
- arxiv url: http://arxiv.org/abs/2110.10863v1
- Date: Thu, 21 Oct 2021 02:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 09:48:34.671027
- Title: Deep Generative Models in Engineering Design: A Review
- Title（参考訳）: エンジニアリング設計における深部生成モデル
- Authors: Lyle Regenwetter, Amin Heyrani Nobari, Faez Ahmed
- Abstract要約: 本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。
最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated design synthesis has the potential to revolutionize the modern
human design process and improve access to highly optimized and customized
products across countless industries. Successfully adapting generative Machine
Learning to design engineering may be the key to such automated design
synthesis and is a research subject of great importance. We present a review
and analysis of Deep Generative Learning models in engineering design. Deep
Generative Models (DGMs) typically leverage deep networks to learn from an
input dataset and learn to synthesize new designs. Recently, DGMs such as
Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs),
feedforward Neural Networks (NNs) and certain Deep Reinforcement Learning (DRL)
frameworks have shown promising results in design applications like structural
optimization, materials design, and shape synthesis. The prevalence of DGMs in
Engineering Design has skyrocketed since 2016. Anticipating continued growth,
we conduct a review of recent advances with the hope of benefitting researchers
interested in DGMs for design. We structure our review as an exposition of the
algorithms, datasets, representation methods, and applications commonly used in
the current literature. In particular, we discuss key works that have
introduced new techniques and methods in DGMs, successfully applied DGMs to a
design-related domain, or directly supported development of DGMs through
datasets or auxiliary methods. We further identify key challenges and
limitations currently seen in DGMs across design fields, such as design
creativity, handling complex constraints and objectives, and modeling both form
and functional performance simultaneously. In our discussion we identify
possible solution pathways as key areas on which to target future work.
- Abstract（参考訳）: 自動設計合成は、現代の人間設計プロセスに革命をもたらす可能性があり、無数の産業にまたがる高度に最適化されたカスタマイズされた製品へのアクセスを改善する。
生成機械学習を設計工学に適用することは、そのような自動設計合成の鍵であり、非常に重要な研究課題である。
本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。
deep generative models (dgms) は通常、ディープネットワークを利用して入力データセットから学び、新しいデザインを合成することを学ぶ。
近年, GAN (Generative Adversarial Networks) やVAE (variantal Autoencoders) , フィードフォワードニューラルネットワーク (NN) やある種のDeep Reinforcement Learning (DRL) フレームワークなどのDGMは, 構造最適化や材料設計, 形状合成などの設計応用において有望な結果を示している。
エンジニアリングデザインにおけるDGMの普及は、2016年以来急増している。
継続的な成長を期待し,dgmの設計に関心を持つ研究者の利益を期待して,最近の進歩を振り返る。
我々は,現在の文献で一般的に用いられているアルゴリズム,データセット,表現法,アプリケーションの例示としてレビューを構成する。
特に、DGMに新しい技術や手法を導入し、DGMを設計関連領域にうまく適用したり、データセットや補助手法を通じて直接支援されたDGMの開発について論じる。
デザインの創造性、複雑な制約と目的の扱い、フォームと機能の両方のパフォーマンスを同時にモデル化するなど、dgmで現在見られる重要な課題と制限をさらに特定します。
議論では、将来の作業をターゲットにする重要な領域として、可能な解決経路を特定した。
関連論文リスト
- Exploring the Potentials and Challenges of Deep Generative Models in Product Design Conception [0.0]
DGM-families (VAE, GAN, Diffusion, Transformer, Radiance Field) を解析し,その強度,弱点,製品設計概念の適用性について検討した。
我々の目標は、エンジニアが意思決定プロセスを簡単にし、特定の課題に対してどの方法が最も効果的かを決定するのに役立つ洞察を提供することです。
論文 参考訳（メタデータ） (2024-07-15T14:28:50Z) - 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) - Adversarial Latent Autoencoder with Self-Attention for Structural Image Synthesis [4.619979201312323]
本稿では, 複雑な工学部品の設計画像を生成可能な, 自己注意適応遅延オートエンコーダ (SA-ALAE) を提案する。
SA-ALAEでは、ユーザーは既存のデザインの新しいバリエーションを探索できるだけでなく、潜在空間で操作することで生成プロセスを制御できる。
論文 参考訳（メタデータ） (2023-07-19T17:50:03Z) - Deep Generative Model and Its Applications in Efficient Wireless Network
Management: A Tutorial and Case Study [71.8330148641267]
ディープジェネレーションモデル(DGM)は2022年から爆発的な成長を遂げている。
本稿では,無線ネットワーク管理の効率化に向けたDGMの応用について検討する。
論文 参考訳（メタデータ） (2023-03-30T02:59:51Z) - 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) - Towards Goal, Feasibility, and Diversity-Oriented Deep Generative Models
in Design [4.091593765662773]
我々は、パフォーマンス、実現可能性、多様性、目標達成を同時に最適化する最初のDeep Generative Modelを提案する。
異なるデータ型のスキュー・マルチモーダルデータを用いた多目的自転車フレーム設計問題に対して, 提案手法を検証した。
論文 参考訳（メタデータ） (2022-06-14T20:57:23Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳（メタデータ） (2021-06-16T01:25:51Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳（メタデータ） (2020-07-31T13:21:33Z)
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。