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
- 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) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳(メタデータ) (2023-07-10T11:29:41Z) - 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) - Artificial intelligence approaches for materials-by-design of energetic
materials: state-of-the-art, challenges, and future directions [0.0]
我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。
文献における手法を,少数のデータから学習する能力の観点から評価する。
本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
論文 参考訳(メタデータ) (2022-11-15T14:41:11Z) - 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) - Dynamic Feature Integration for Simultaneous Detection of Salient
Object, Edge and Skeleton [108.01007935498104]
本稿では,高次物体分割,エッジ検出,スケルトン抽出など,低レベルの3つの視覚問題を解く。
まず、これらのタスクで共有される類似点を示し、統一されたフレームワークの開発にどのように活用できるかを示す。
論文 参考訳(メタデータ) (2020-04-18T11:10:11Z) - Designing for the Long Tail of Machine Learning [0.0]
機械学習のパフォーマンスがトレーニングデータとどのようにスケールし、デザイナがデータ収集、モデル開発、および与えられたモデルパフォーマンスのための貴重なインタラクションを設計するためのトレードオフをガイドするかを説明します。
我々は,ブートストラップフェーズにおける初期システムの設計に有用なパターンについて論じる。
論文 参考訳(メタデータ) (2020-01-21T11:53:28Z)
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。