論文の概要: Towards Real Time Thermal Simulations for Design Optimization using
Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2209.13348v1
- Date: Wed, 21 Sep 2022 13:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:12:27.671395
- Title: Towards Real Time Thermal Simulations for Design Optimization using
Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いた設計最適化のための実時間熱シミュレーション
- Authors: Helios Sanchis-Alepuz and Monika Stipsitz
- Abstract要約: 本稿では,グラフニューラルネットワークを用いて3次元システムの熱的挙動をシミュレートする手法を提案する。
一段階予測のネットワーク結果の精度は顕著である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a method to simulate the thermal behavior of 3D systems
using a graph neural network. The method discussed achieves a significant
speed-up with respect to a traditional finite-element simulation. The graph
neural network is trained on a diverse dataset of 3D CAD designs and the
corresponding finite-element simulations, representative of the different
geometries, material properties and losses that appear in the design of
electronic systems. We present for the transient thermal behavior of a test
system. The accuracy of the network result for one-step predictions is
remarkable (\SI{0.003}{\%} error). After 400 time steps, the accumulated error
reaches \SI{0.78}{\%}. The computing time of each time step is \SI{50}{ms}.
Reducing the accumulated error is the current focus of our work. In the future,
a tool such as the one we are presenting could provide nearly instantaneous
approximations of the thermal behavior of a system that can be used for design
optimization.
- Abstract（参考訳）: 本稿では,グラフニューラルネットワークを用いて3次元システムの熱挙動をシミュレーションする手法を提案する。
提案手法は,従来の有限要素シミュレーションに対して,大幅な高速化を実現する。
グラフニューラルネットワークは3次元CAD設計の多様なデータセットと対応する有限要素シミュレーションに基づいてトレーニングされ、電子システムの設計に現れる様々な幾何学、材料特性、損失を表す。
テストシステムの過渡的熱挙動について述べる。
1ステップ予測に対するネットワーク結果の精度は驚くべきものである(\si{0.003}{\%} 誤差)。
400の時間ステップの後、累積誤差は \SI{0.78}{\%} に達する。
各時間ステップの計算時間は \SI{50}{ms} である。
累積エラーを減らすことが現在の作業の焦点です。
将来的には、我々が提示するツールのようなツールによって、設計最適化に使用できるシステムの熱的挙動を、ほぼ瞬時に近似することができる。
関連論文リスト
- Learning-Based Finite Element Methods Modeling for Complex Mechanical Systems [1.6977525619006286]
複雑な力学系シミュレーションは多くの実世界の応用において重要である。
最近のCNNやGNNベースのシミュレーションモデルは、複雑なメカニックシミュレーションを効果的に表すのに苦戦している。
本稿では,新しい2レベルメッシュグラフネットワークを提案する。
論文 参考訳（メタデータ） (2024-08-30T15:56:50Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers
for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。
結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
論文 参考訳（メタデータ） (2024-02-16T13:34:51Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - DeepOHeat: Operator Learning-based Ultra-fast Thermal Simulation in
3D-IC Design [7.112313433801361]
DeepOHeatは、熱方程式系の温度場を予測する物理を意識した演算子学習フレームワークである。
未確認のテストケースでは、よく訓練されたDeepOHeatが正確な結果が得られる。
論文 参考訳（メタデータ） (2023-02-25T01:18:48Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z) - Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。
本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
論文 参考訳（メタデータ） (2022-08-16T00:45:39Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - EikoNet: Solving the Eikonal equation with Deep Neural Networks [6.735657356113614]
我々はEikoNetを提案する。EikoNetはEikonal方程式を解くための深層学習手法である。
我々のグリッドフリーアプローチは、連続した3次元領域内の任意の2点間の移動時間を迅速に決定できる。
この手法は, 地震震源インバージョン, レイ・マルチパス, トモグラフィー・モデリングに重要な応用がある。
論文 参考訳（メタデータ） (2020-03-25T02:31:53Z)
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。