論文の概要: Diffusing the Optimal Topology: A Generative Optimization Approach
- arxiv url: http://arxiv.org/abs/2303.09760v1
- Date: Fri, 17 Mar 2023 03:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 15:40:05.458577
- Title: Diffusing the Optimal Topology: A Generative Optimization Approach
- Title（参考訳）: 最適トポロジーの拡散:生成的最適化アプローチ
- Authors: Giorgio Giannone, Faez Ahmed
- Abstract要約: トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。
SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。
本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
- 参考スコア（独自算出の注目度）: 6.375982344506753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topology Optimization seeks to find the best design that satisfies a set of
constraints while maximizing system performance. Traditional iterative
optimization methods like SIMP can be computationally expensive and get stuck
in local minima, limiting their applicability to complex or large-scale
problems. Learning-based approaches have been developed to accelerate the
topology optimization process, but these methods can generate designs with
floating material and low performance when challenged with out-of-distribution
constraint configurations. Recently, deep generative models, such as Generative
Adversarial Networks and Diffusion Models, conditioned on constraints and
physics fields have shown promise, but they require extensive pre-processing
and surrogate models for improving performance. To address these issues, we
propose a Generative Optimization method that integrates classic optimization
like SIMP as a refining mechanism for the topology generated by a deep
generative model. We also remove the need for conditioning on physical fields
using a computationally inexpensive approximation inspired by classic ODE
solutions and reduce the number of steps needed to generate a feasible and
performant topology. Our method allows us to efficiently generate good
topologies and explicitly guide them to regions with high manufacturability and
high performance, without the need for external auxiliary models or additional
labeled data. We believe that our method can lead to significant advancements
in the design and optimization of structures in engineering applications, and
can be applied to a broader spectrum of performance-aware engineering design
problems.
- Abstract（参考訳）: トポロジ最適化は、システムパフォーマンスを最大化しながら制約セットを満たす最良の設計を見つけようとしている。
従来のSIMPのような反復最適化手法は計算コストがかかり、局所的なミニマで行き詰まり、複雑な問題や大規模な問題に適用可能である。
トポロジー最適化プロセスを加速するために学習ベースのアプローチが開発されているが、これらの手法は分散制約設定に挑戦した場合、フローティングマテリアルと低パフォーマンスの設計を生成することができる。
近年、制約や物理学の分野を前提とした生成型ネットワークや拡散モデルのような深層生成モデルは有望であるが、性能向上には広範な事前処理と代理モデルが必要である。
これらの問題に対処するため,SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合した生成最適化手法を提案する。
また,従来のODEソリューションにインスパイアされた計算コストの低い近似を用いて,物理分野の条件付けの必要性を排除し,実現可能かつ性能の高いトポロジを生成するために必要なステップ数を削減した。
本手法により,外部の補助モデルやラベル付きデータの必要なしに,優れたトポロジーを効率的に生成し,高い製造性と高性能領域に明示的に誘導することができる。
我々は,本手法が工学応用における構造物の設計と最適化の大幅な進歩につながり,より広範な性能認識工学設計問題に適用できると信じている。
関連論文リスト
- Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-05T08:32:07Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳（メタデータ） (2023-05-29T09:16:07Z) - TopoDiff: A Performance and Constraint-Guided Diffusion Model for
Topology Optimization [4.091593765662773]
TopoDiffは、性能認識および製造可能性認識トポロジー最適化のための条件付き拡散モデルに基づくアーキテクチャである。
本手法は,物理性能の平均誤差を8倍に減らし,最先端の条件付きGANを著しく向上させる。
論文 参考訳（メタデータ） (2022-08-20T03:26:00Z) - Optimal Design of Electric Machine with Efficient Handling of
Constraints and Surrogate Assistance [5.387300498478744]
本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。
提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
論文 参考訳（メタデータ） (2022-06-03T17:13:29Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - Speeding up Computational Morphogenesis with Online Neural Synthetic
Gradients [51.42959998304931]
現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。
これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。
オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-25T22:43:51Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。