論文の概要: Generative Thermal Design Through Boundary Representation and
Multi-Agent Cooperative Environment
- arxiv url: http://arxiv.org/abs/2208.07952v1
- Date: Tue, 16 Aug 2022 21:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:39:28.195001
- Title: Generative Thermal Design Through Boundary Representation and
Multi-Agent Cooperative Environment
- Title(参考訳): 境界表現とマルチエージェント協調環境による生成熱設計
- Authors: Hadi Keramati and Feridun Hamdullahpur
- Abstract要約: 協調型多エージェント深部強化学習と連続幾何表現を用いた生成熱設計を提案する。
提案フレームワークは、熱伝達と圧力降下を予測する環境として、事前訓練されたニューラルネットワークサロゲートモデルで構成されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative design has been growing across the design community as a viable
method for design space exploration. Thermal design is more complex than
mechanical or aerodynamic design because of the additional convection-diffusion
equation and its pertinent boundary interaction. We present a generative
thermal design using cooperative multi-agent deep reinforcement learning and
continuous geometric representation of the fluid and solid domain. The proposed
framework consists of a pre-trained neural network surrogate model as an
environment to predict heat transfer and pressure drop of the generated
geometries. The design space is parameterized by composite Bezier curve to
solve multiple fin shape optimization. We show that our multi-agent framework
can learn the policy for design strategy using multi-objective reward without
the need for shape derivation or differentiable objective function.
- Abstract(参考訳): ジェネレイティブデザインは、デザインスペースの探索に有効な方法として、デザインコミュニティ全体に成長してきた。
熱設計は、対流拡散方程式と関連する境界相互作用のため、機械設計や空力設計よりも複雑である。
協調型多エージェント深部強化学習と流体・固体領域の連続幾何表現を用いた生成熱設計を提案する。
提案手法は,生成したジオメトリの熱伝達と圧力降下を予測する環境として,事前学習したニューラルネットワークサロゲートモデルから構成する。
設計空間は複合ベジエ曲線によりパラメータ化され、多重フィン形状最適化を解く。
我々は,多目的報酬を用いた設計戦略の方針を,形状の導出や微分可能な目的関数を必要とせずに学習できることを示す。
関連論文リスト
- Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer [78.47949363282868]
本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - 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) - Multi-fidelity Design of Porous Microstructures for Thermofluidic
Applications [0.5249805590164902]
多孔質表面で強化された二相冷却法が潜在的な溶液として出現している。
このような多孔質構造では、最適放熱容量は2つの競合する目的に依存する。
我々は, 最適多孔質構造を設計するためのデータ駆動型フレームワークを開発した。
論文 参考訳(メタデータ) (2023-10-27T21:51:11Z) - 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) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳(メタデータ) (2022-10-19T19:04:45Z) - Optimization of the Shape of a Hydrokinetic Turbine's Draft Tube and Hub
Assembly Using Design-by-Morphing with Bayesian Optimization [0.0]
流体力学や空力面の最適設計を見つけることは、コスト関数を評価するコストがかかるため、しばしば不可能である。
デザイン・バイ・モーフィング(DbM)と呼ばれるモーフィングを用いてデザイン空間を作成する手法を提案する。
本研究では,水力タービンの出力を最大化するために,この形状最適化手法を適用した。
論文 参考訳(メタデータ) (2022-07-23T07:39:27Z) - 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) - 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) - 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) - 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)
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。