論文の概要: Modeling and design of heterogeneous hierarchical bioinspired spider web
structures using generative deep learning and additive manufacturing
- arxiv url: http://arxiv.org/abs/2304.05137v1
- Date: Tue, 11 Apr 2023 11:03:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 15:11:44.707010
- Title: Modeling and design of heterogeneous hierarchical bioinspired spider web
structures using generative deep learning and additive manufacturing
- Title（参考訳）: 生成的深層学習と付加的製造を用いた異種階層型バイオインスピレーションクモウェブ構造のモデル化と設計
- Authors: Wei Lu, Nic A. Lee, Markus J. Buehler
- Abstract要約: クモ網の異種グラフ構造を詳細に解析する。
深層学習は、人工的なバイオインスパイアされた3Dウェブ構造をモデル化し、合成する方法である。
いくつかのウェブは3Dプリンティングを使用して製造され、機械的特性を評価するためにテストされている。
- 参考スコア（独自算出の注目度）: 6.398022050054328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spider webs are incredible biological structures, comprising thin but strong
silk filament and arranged into complex hierarchical architectures with
striking mechanical properties (e.g., lightweight but high strength, achieving
diverse mechanical responses). While simple 2D orb webs can easily be mimicked,
the modeling and synthesis of 3D-based web structures remain challenging,
partly due to the rich set of design features. Here we provide a detailed
analysis of the heterogenous graph structures of spider webs, and use deep
learning as a way to model and then synthesize artificial, bio-inspired 3D web
structures. The generative AI models are conditioned based on key geometric
parameters (including average edge length, number of nodes, average node
degree, and others). To identify graph construction principles, we use
inductive representation sampling of large experimentally determined spider web
graphs, to yield a dataset that is used to train three conditional generative
models: 1) An analog diffusion model inspired by nonequilibrium thermodynamics,
with sparse neighbor representation, 2) a discrete diffusion model with full
neighbor representation, and 3) an autoregressive transformer architecture with
full neighbor representation. All three models are scalable, produce complex,
de novo bio-inspired spider web mimics, and successfully construct graphs that
meet the design objectives. We further propose algorithm that assembles web
samples produced by the generative models into larger-scale structures based on
a series of geometric design targets, including helical and parametric shapes,
mimicking, and extending natural design principles towards integration with
diverging engineering objectives. Several webs are manufactured using 3D
printing and tested to assess mechanical properties.
- Abstract（参考訳）: クモの巣は驚くほどの生物学的構造であり、薄いが強い絹のフィラメントからなり、印象的な機械的特性を持つ複雑な階層構造(軽量だが高い強度、多様な機械的応答を達成するなど)に配置される。
単純な2Dオーブウェブは簡単に模倣できるが、3Dベースのウェブ構造のモデリングと合成は、設計上の豊富な特徴のために難しいままである。
ここでは,スパイダーウェブの異種グラフ構造を詳細に分析し,ディープラーニングを用いて人工的,生物に触発された3dウェブ構造をモデル化し,合成する。
生成AIモデルは、鍵となる幾何学的パラメータ(平均エッジ長、ノード数、平均ノード次数など)に基づいて条件付けされる。
グラフの構成原理を同定するために、実験によって決定された大きなスパイダーウェブグラフの帰納的表現サンプリングを用いて、3つの条件付き生成モデルのトレーニングに使用されるデータセットを生成する。
1) 疎近傍表現をもつ非平衡熱力学にインスパイアされたアナログ拡散モデル
2)完全隣接表現を持つ離散拡散モデル、および
3) 完全隣接表現を持つ自己回帰変換器アーキテクチャ。
これら3つのモデルはスケーラブルで複雑で、生物に触発されたスパイダーウェブを模倣し、設計目標に合致したグラフをうまく構築する。
さらに, 生成モデルによって生成されたWebサンプルを, ヘリカル形状やパラメトリック形状, 模倣, 自然設計の原理を, 工学的目的の多様化への統合に向けて拡張した, 一連の幾何学的設計目標に基づいて, 大規模構造に組み立てるアルゴリズムを提案する。
いくつかのウェブは3dプリンティングを使って製造され、機械的特性を評価するためにテストされている。
関連論文リスト
- A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳（メタデータ） (2024-02-19T15:33:09Z) - Breathing New Life into 3D Assets with Generative Repainting [74.80184575267106]
拡散ベースのテキスト・ツー・イメージ・モデルは、ビジョン・コミュニティ、アーティスト、コンテンツ・クリエーターから大きな注目を集めた。
近年の研究では、拡散モデルとニューラルネットワークの絡み合いを利用した様々なパイプラインが提案されている。
予備訓練された2次元拡散モデルと標準3次元ニューラルラジアンスフィールドのパワーを独立したスタンドアロンツールとして検討する。
我々のパイプラインはテクスチャ化されたメッシュや無テクスチャのメッシュのような、レガシなレンダリング可能な幾何学を受け入れ、2D生成の洗練と3D整合性強化ツール間の相互作用をオーケストレーションします。
論文 参考訳（メタデータ） (2023-09-15T16:34:51Z) - NAP: Neural 3D Articulation Prior [31.875925637190328]
本研究では,3次元合成対象モデルを合成する最初の3次元深部生成モデルであるNeural 3D Articulation Prior (NAP)を提案する。
そこで我々はまず,新しい調音木/グラフパラメタライゼーションを設計し,この表現に対して拡散減衰確率モデルを適用した。
分布が互いに影響を及ぼすような幾何構造と運動構造の両方を捉えるために,逆拡散過程を学習するためのグラフアテンション認知ネットワークを設計する。
論文 参考訳（メタデータ） (2023-05-25T17:59:35Z) - GVP: Generative Volumetric Primitives [76.95231302205235]
本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。
GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。
いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
論文 参考訳（メタデータ） (2023-03-31T16:50:23Z) - Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。
この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。
本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-23T15:09:03Z) - Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object
Segmentation and Classification [0.0]
本稿では3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。
メッシュの顔を基本処理単位とし、各ノードが顔に対応するグラフとして3Dメッシュを表現する。
論文 参考訳（メタデータ） (2021-06-30T02:17:16Z) - Building-GAN: Graph-Conditioned Architectural Volumetric Design
Generation [10.024367148266721]
本稿では,入力プログラムグラフに基づくボリュームデザイン生成について述べる。
密度の高い3次元ボクセルを出力する代わりに、ジオメトリを構築するためにコンパクトかつ表現性の高い新しい3次元表現であるボクセルグラフを提案する。
私たちのジェネレータは、入力プログラムグラフと出力ボキセルグラフを接続するためのポインタメカニズムを使用するクロスモーダルグラフニューラルネットワークであり、パイプライン全体が逆のフレームワークを使用して訓練されます。
論文 参考訳（メタデータ） (2021-04-27T16:49:34Z) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳（メタデータ） (2020-06-30T19:36:38Z) - GramGAN: Deep 3D Texture Synthesis From 2D Exemplars [7.553635339893189]
本稿では,2次元画像が与えられた無限の高品質な3次元テクスチャの生成を可能にする,新しいテクスチャ合成フレームワークを提案する。
自然テクスチャ合成の最近の進歩に触発されて、学習されたノイズ周波数を非線形に組み合わせてテクスチャを生成するために、ディープニューラルネットワークを訓練する。
そこで本研究では,スタイル転送と生成対向ネットワークの両方からアイデアを結合した新たな損失関数を提案する。
論文 参考訳（メタデータ） (2020-06-29T15:22:03Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳（メタデータ） (2020-04-21T13:40:03Z)
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。