論文の概要: Material Prediction for Design Automation Using Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2209.12793v1
• Date: Mon, 26 Sep 2022 15:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 15:04:33.946472
• Title: Material Prediction for Design Automation Using Graph Representation Learning
• Title（参考訳）: グラフ表現学習を用いた設計自動化のための材料予測
• Authors: Shijie Bian, Daniele Grandi, Kaveh Hassani, Elliot Sadler, Bodia Borijin, Axel Fernandes, Andrew Wang, Thomas Lu, Richard Otis, Nhut Ho, Bingbing Li
• Abstract要約: 本稿では,集合体の物質予測を支援するグラフ表現学習フレームワークを提案する。 CADモデルの集合グラフ表現上でのノードレベルの予測タスクとして材料選択タスクを定式化し、グラフニューラルネットワーク(GNN)を用いてそれに取り組む。 提案するフレームワークは,大規模データセットにスケールアップし,デザイナの知識を学習プロセスに組み込む。
• 参考スコア（独自算出の注目度）: 5.181429907321226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Successful material selection is critical in designing and manufacturing products for design automation. Designers leverage their knowledge and experience to create high-quality designs by selecting the most appropriate materials through performance, manufacturability, and sustainability evaluation. Intelligent tools can help designers with varying expertise by providing recommendations learned from prior designs. To enable this, we introduce a graph representation learning framework that supports the material prediction of bodies in assemblies. We formulate the material selection task as a node-level prediction task over the assembly graph representation of CAD models and tackle it using Graph Neural Networks (GNNs). Evaluations over three experimental protocols performed on the Fusion 360 Gallery dataset indicate the feasibility of our approach, achieving a 0.75 top-3 micro-f1 score. The proposed framework can scale to large datasets and incorporate designers' knowledge into the learning process. These capabilities allow the framework to serve as a recommendation system for design automation and a baseline for future work, narrowing the gap between human designers and intelligent design agents.
• Abstract（参考訳）: 材料選択の成功は、設計自動化のための製品の設計と製造において重要である。 設計者は、その知識と経験を活用して、パフォーマンス、製造性、持続可能性評価を通じて、最も適切な材料を選択することで、高品質な設計を創造する。 インテリジェントなツールは、設計者が以前の設計から学んだことを推奨することで、さまざまな専門知識を持つのに役立つ。 これを実現するために,アセンブリ内の物体の物質的予測を支援するグラフ表現学習フレームワークを提案する。 材料選択タスクをcadモデルのアセンブリグラフ表現よりもノードレベルの予測タスクとして定式化し,グラフニューラルネットワーク(gnns)を用いて取り組む。 Fusion 360 Galleryデータセットで実施された3つの実験プロトコルによる評価は、我々のアプローチの実現可能性を示している。 提案するフレームワークは,大規模データセットにスケールアップし,デザイナの知識を学習プロセスに組み込む。 これらの機能により、フレームワークはデザイン自動化のレコメンデーションシステムとなり、将来の作業のベースラインとなり、人間のデザイナーとインテリジェントなデザインエージェントの間のギャップを狭めることができる。

関連論文リスト

• What makes a good BIM design: quantitative linking between design behavior and quality [0.6088110776359856]
  本研究は,デザイン行動と品質の関係を初めて同定し,定量的に記述する新しいアプローチを提案する。 リアルタイム収集とログマイニングが統合され、設計行動の生データを収集する。 結果は、様々なモデルで学習できる既存の量的関係を確認した。
  論文  参考訳（メタデータ） (2024-11-14T14:37:15Z)
• Bridging Design Gaps: A Parametric Data Completion Approach With Graph Guided Diffusion Models [9.900586490845694]
  本研究では, グラフ注意ネットワークと表層拡散モデルを利用して, 工学設計におけるパラメトリックデータの欠落を解消する生成的計算モデルを提案する。 提案手法は従来の手法,例えばMissForest, HotDeck, PPCA, TabCSDI よりも精度と多様性に優れていた。 グラフモデルは、設計問題の鍵となるアセンブリグラフから複雑なパラメトリック相互依存性を正確にキャプチャし、インプットするのに役立つ。
  論文  参考訳（メタデータ） (2024-06-17T16:03:17Z)
• Automatic Layout Planning for Visually-Rich Documents with Instruction-Following Models [81.6240188672294]
  グラフィックデザインでは、プロでないユーザは、限られたスキルとリソースのために視覚的に魅力的なレイアウトを作成するのに苦労することが多い。 レイアウト計画のための新しいマルチモーダル・インストラクション・フォロー・フレームワークを導入し、視覚的要素をカスタマイズしたレイアウトに簡単に配置できるようにする。 本手法は,非専門職の設計プロセスを単純化するだけでなく,数ショット GPT-4V モデルの性能を上回り,mIoU は Crello で 12% 向上する。
  論文  参考訳（メタデータ） (2024-04-23T17:58:33Z)
• I-Design: Personalized LLM Interior Designer [57.00412237555167]
  I-Designはパーソナライズされたインテリアデザイナで、自然言語によるコミュニケーションを通じて設計目標の生成と視覚化を可能にする。 I-Designは、対話や論理的推論に従事する大きな言語モデルエージェントのチームから始まる。 最終的な設計は、既存のオブジェクトデータベースから資産を取り出し、統合することで、3Dで構築されます。
  論文  参考訳（メタデータ） (2024-04-03T16:17:53Z)
• 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)
• 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)
• Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
  最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-21T21:25:59Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• User-Centric Semi-Automated Infographics Authoring and Recommendation [34.60535888532958]
  本稿では,自動および半自動インフォグラフィック設計のためのフレキシブルなフレームワークを提案する。 また、初心者デザイナーが高品質なインフォグラフィックを作成するのを支援するインタラクティブツール、名前も提案する。 同様のツールとの比較,初心者やエキスパートデザイナーによるユーザスタディ,ケーススタディなどにより,我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-08-26T17:09:59Z)
• Towards A Process Model for Co-Creating AI Experiences [16.767362787750418]
  テクノロジーをデザイン素材として考えることは、デザイナーにとって魅力的です。 材料として、AIは設計プロセス自体の一部としてその特性が現れるため、このアプローチに抵抗します。 10組のデザイナーとエンジニアによるデザイン研究により、共創過程を調査します。
  論文  参考訳（メタデータ） (2021-04-15T16:53:34Z)

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。