論文の概要: An Adaptive and Scalable ANN-based Model-Order-Reduction Method for
Large-Scale TO Designs
- arxiv url: http://arxiv.org/abs/2203.10515v1
- Date: Sun, 20 Mar 2022 10:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 07:57:04.799878
- Title: An Adaptive and Scalable ANN-based Model-Order-Reduction Method for
Large-Scale TO Designs
- Title（参考訳）: 大規模TO設計のための適応的かつスケーラブルなANNモデル次数還元法
- Authors: Ren Kai Tan, Chao Qian, Dan Xu, Wenjing Ye
- Abstract要約: トポロジ最適化(TO)は、興味のある最適な性能で構造設計を得るための体系的なアプローチを提供する。
ディープラーニングベースのモデルは、プロセスの高速化のために開発されている。
MapNetは、粗いスケールから細かいスケールまでの関心領域をマッピングするニューラルネットワークである。
- 参考スコア（独自算出の注目度）: 22.35243726859667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Topology Optimization (TO) provides a systematic approach for obtaining
structure design with optimum performance of interest. However, the process
requires numerical evaluation of objective function and constraints at each
iteration, which is computational expensive especially for large-scale design.
Deep learning-based models have been developed to accelerate the process either
by acting as surrogate models replacing the simulation process, or completely
replacing the optimization process. However, most of them require a large set
of labelled training data, which are generated mostly through simulations. The
data generation time scales rapidly with the design domain size, decreasing the
efficiency of the method itself. Another major issue is the weak
generalizability of most deep learning models. Most models are trained to work
with the design problem similar to that used for data generation and require
retraining if the design problem changes. In this work a scalable deep
learning-based model-order-reduction method is proposed to accelerate
large-scale TO process, by utilizing MapNet, a neural network which maps the
field of interest from coarse-scale to fine-scale. The proposed method allows
for each simulation of the TO process to be performed at a coarser mesh,
thereby greatly reducing the total computational time. Moreover, by using
domain fragmentation, the transferability of the MapNet is largely improved.
Specifically, it has been demonstrated that the MapNet trained using data from
one cantilever beam design with a specific loading condition can be directly
applied to other structure design problems with different domain shapes, sizes,
boundary and loading conditions.
- Abstract（参考訳）: トポロジー最適化(TO)は、興味のある最適な性能で構造設計を得るための体系的なアプローチを提供する。
しかし、このプロセスでは各イテレーションにおける目的関数と制約の数値的な評価が必要であり、特に大規模設計において計算コストがかかる。
ディープラーニングベースのモデルは、シミュレーションプロセスを置き換える代理モデルとして機能するか、最適化プロセスを完全に置き換えるかによって、プロセスを加速するために開発されている。
しかし、それらのほとんどは、主にシミュレーションによって生成される大量のラベル付きトレーニングデータを必要とする。
データ生成時間は設計ドメインサイズとともに急速にスケールし、メソッド自体の効率が低下する。
もう一つの大きな問題は、ほとんどのディープラーニングモデルの弱い一般化性である。
ほとんどのモデルは、データ生成によく似た設計問題を扱うように訓練されており、もし設計問題が変わったら再訓練を必要とする。
本研究では,粗大から微大までの関心分野をマッピングするニューラルネットワークであるmapnetを用いて,大規模処理を高速化するために,スケーラブルなディープラーニングに基づくモデルオーダリダクション手法を提案する。
提案手法では,TOプロセスの各シミュレーションを粗いメッシュで行うことができ,計算時間を大幅に短縮することができる。
さらに、ドメインフラグメンテーションを用いることで、mapnetの転送性が大幅に向上する。
具体的には、あるカンチレバービーム設計から特定の荷重条件でデータを用いて訓練されたmapnetが、ドメイン形状、サイズ、境界および荷重条件の異なる他の構造設計問題に直接適用できることを実証した。
関連論文リスト
- 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) - 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) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳（メタデータ） (2023-05-29T09:16:07Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - 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) - 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 adaptive artificial neural network-based generative design method for
layout designs [17.377351418260577]
適応型人工ニューラルネットワークに基づく生成設計手法の提案と開発。
新しい適応学習と最適化戦略が提案され、設計空間を効果的に探索することができます。
2つの熱源レイアウト設計問題に対して,提案手法の性能を実証した。
論文 参考訳（メタデータ） (2021-01-29T05:32:17Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-15T15:09:21Z) - 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) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z)
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。