論文の概要: Harnessing Interpretable Machine Learning for Origami Feature Design and Pattern Selection

• arxiv url: http://arxiv.org/abs/2204.07235v1
• Date: Tue, 12 Apr 2022 12:27:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 17:22:10.801985
• Title: Harnessing Interpretable Machine Learning for Origami Feature Design and Pattern Selection
• Title（参考訳）: 折り紙特徴設計とパターン選択のための解釈可能な機械学習
• Authors: Yi Zhu, Evgueni T. Filipov
• Abstract要約: 本研究は, 決定木機械学習手法が, 折り紙の逆設計に特に適していることを示す。 提案フレームワークは, メタマテリアル, 展開可能な構造, ソフトロボット, バイオメディカルデバイスなど, 様々な用途に有効な折り紙システムを設計するための総合的な手法を示す。
• 参考スコア（独自算出の注目度）: 6.725348756525192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Engineering design of origami systems is challenging because comparing different origami patterns requires using categorical features and evaluating multi-physics behavior targets introduces multi-objective problems. This work shows that a decision tree machine learning method is particularly suitable for the inverse design of origami. This interpretable machine learning method can reveal complex interactions between categorical features and continuous features for comparing different origami patterns, can tackle multi-objective problems for designing active origami with multi-physics performance targets, and can extend existing origami shape fitting algorithms to further consider non-geometrical performances of origami systems. The proposed framework shows a holistic way of designing active origami systems for various applications such as metamaterials, deployable structures, soft robots, biomedical devices, and many more.
• Abstract（参考訳）: 折り紙システムの工学的設計は,分類学的特徴を用いて異なる折り紙パターンを比較し,マルチフィジカルな動作目標を評価することが多目的問題をもたらすため,困難である。 本研究は,決定木機械学習手法が,折り紙の逆設計に特に適していることを示す。 この解釈可能な機械学習手法は、分類学的特徴と異なる折り紙パターンを比較するための連続的特徴との複雑な相互作用を明らかにし、マルチフィジカルな性能目標を持つアクティブ折り紙を設計するための多目的問題に対処し、既存の折り紙の形状適合アルゴリズムを拡張して、折り紙システムの非幾何学的性能をさらに検討することができる。 提案フレームワークは, メタマテリアル, 展開可能な構造, ソフトロボット, バイオメディカルデバイスなど, 様々な用途に有効な折り紙システムを設計するための総合的な手法を示す。

関連論文リスト

• Hybrid Algorithm Selection and Hyperparameter Tuning on Distributed Machine Learning Resources: A Hierarchical Agent-based Approach [0.0]
  本稿では,分散された機械学習アルゴリズムを選択するための,完全自動協調型エージェントベース機構を提案する。 我々の解は完全に正解であり、利用可能な資源の大きさに関連して線形時間と空間の複雑さを示す。
  論文  参考訳（メタデータ） (2023-09-12T21:07:23Z)
• MeLM, a generative pretrained language modeling framework that solves forward and inverse mechanics problems [0.0]
  本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。 このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
  論文  参考訳（メタデータ） (2023-06-30T10:28:20Z)
• Learning Robotic Navigation from Experience: Principles, Methods, and Recent Results [94.60414567852536]
  現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。 機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。 本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
  論文  参考訳（メタデータ） (2022-12-13T17:41:58Z)
• Automating Rigid Origami Design [10.896567381206715]
  離散最適化問題として厳密な折り紙設計を定式化するための3つの単位法の原理を最近開発した。 本実装では, 多様な目的を簡易に定義し, 剛性オリガミの可能性を, 最適化されたアプリケーション固有のクレーゼパターンに拡張する。
  論文  参考訳（メタデータ） (2022-11-20T17:13:50Z)
• Decision Models for Selecting Federated Learning Architecture Patterns [7.468413169676602]
  フェデレートされた機械学習アーキテクチャ設計のためのパターン選択のための一連の決定モデルを提案する。 各決定モデルは、フェデレートされた機械学習システムの機能的および非機能的要件を一連のパターンにマッピングする。
  論文  参考訳（メタデータ） (2022-04-28T05:07:26Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
  大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。 新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。 我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
  論文  参考訳（メタデータ） (2021-04-16T16:38:02Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• Learning abstract structure for drawing by efficient motor program induction [52.13961975752941]
  我々は、人間が構造化された事前知識を迅速に取得する方法を研究するために、自然主義的な描画タスクを開発する。 一般化を支援する抽象的な描画手順を自然に学習していることが示される。 本稿では,これらの再利用可能な描画プログラムを学習者がどのように発見できるかのモデルを提案する。
  論文  参考訳（メタデータ） (2020-08-08T13:31:14Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)
• Learning Dense Visual Correspondences in Simulation to Smooth and Fold Real Fabrics [35.84249614544505]
  我々は、異なる構成の変形可能な織物の視覚的対応をシミュレーションで学習する。 学習した対応は、新しいファブリック構成で幾何学的に等価な動作を計算するのに使うことができる。 また、さまざまな色、大きさ、形状の織物についても、その結果が示唆されている。
  論文  参考訳（メタデータ） (2020-03-28T04:06:20Z)

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。