論文の概要: Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty

• arxiv url: http://arxiv.org/abs/2202.10558v1
• Date: Mon, 21 Feb 2022 22:21:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 07:33:40.968568
• Title: Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty
• Title（参考訳）: 自由形式幾何不確かさ下での設計のための階層的深層生成モデル
• Authors: Wei (Wayne) Chen, Doksoo Lee, Oluwaseyi Balogun, Wei Chen
• Abstract要約: 不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。 それは、名目(理想)設計のコンパクトな表現と、名目的な設計が与えられた設計の条件分布を同時に学習する。 提案した深部生成モデルとロバストな設計最適化と不確実な設計のための信頼性に基づく設計最適化を組み合わせることができる。
• 参考スコア（独自算出の注目度）: 7.362287148334665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models have demonstrated effectiveness in learning compact and expressive design representations that significantly improve geometric design optimization. However, these models do not consider the uncertainty introduced by manufacturing or fabrication. Past work that quantifies such uncertainty often makes simplifying assumptions on geometric variations, while the "real-world", "free-form" uncertainty and its impact on design performance are difficult to quantify due to the high dimensionality. To address this issue, we propose a Generative Adversarial Network-based Design under Uncertainty Framework (GAN-DUF), which contains a deep generative model that simultaneously learns a compact representation of nominal (ideal) designs and the conditional distribution of fabricated designs given any nominal design. This opens up new possibilities of 1)~building a universal uncertainty quantification model compatible with both shape and topological designs, 2)~modeling free-form geometric uncertainties without the need to make any assumptions on the distribution of geometric variability, and 3)~allowing fast prediction of uncertainties for new nominal designs. We can combine the proposed deep generative model with robust design optimization or reliability-based design optimization for design under uncertainty. We demonstrated the framework on two real-world engineering design examples and showed its capability of finding the solution that possesses better performances after fabrication.
• Abstract（参考訳）: 深層生成モデルは、幾何設計最適化を大幅に改善するコンパクトで表現豊かな設計表現を学習する効果を実証してきた。 しかし、これらのモデルは製造や製造による不確実性を考慮していない。 このような不確かさを定量化する過去の研究は、しばしば幾何学的変動の仮定を単純化するが、「実世界」や「自由形式」の不確実性とその設計性能への影響は、高次元のため定量化が困難である。 本稿では,不確実性フレームワークに基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザイン(GAN-DUF)を提案する。このモデルには,名目(理想)設計のコンパクトな表現と,名目設計の条件付き分布を同時に学習する深層生成モデルが含まれている。 これは、1) 形状とトポロジカルデザインの両方と互換性のある普遍的不確かさ量化モデルを構築すること、2) 幾何学的変動の分布を仮定することなく自由形式の幾何学的不確実性をモデル化すること、3) 新たな名目設計に対する不確実さの迅速な予測を可能にすることの新たな可能性を開く。 提案した深部生成モデルとロバストな設計最適化と不確実な設計のための信頼性に基づく設計最適化を組み合わせることができる。 2つの実世界のエンジニアリング設計例でそのフレームワークを実演し、製造後の優れた性能を持つソリューションを見つける能力を示した。

関連論文リスト

• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• 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)
• Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
  設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。 非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
  論文  参考訳（メタデータ） (2024-02-13T15:45:20Z)
• 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)
• Latent Diffusion Models for Structural Component Design [11.342098118480802]
  本稿では,構造部品の生成設計のための枠組みを提案する。 我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
  論文  参考訳（メタデータ） (2023-09-20T19:28:45Z)
• 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)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
  本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。 本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
  論文  参考訳（メタデータ） (2022-01-31T02:27:25Z)
• Deep Generative Models for Geometric Design Under Uncertainty [8.567987231153966]
  不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。 GAN-DUFは、名目(理想)設計のコンパクトな表現と、製造された設計の条件分布を同時に学習する深い生成モデルを含む。 このフレームワークを実世界の2つのエンジニアリング設計例で実演し、製造後のより良い性能を持つソリューションを見つける能力を示した。
  論文  参考訳（メタデータ） (2021-12-15T18:00:46Z)
• 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。