論文の概要: SRL-Assisted AFM: Generating Planar Unstructured Quadrilateral Meshes
with Supervised and Reinforcement Learning-Assisted Advancing Front Method
- arxiv url: http://arxiv.org/abs/2305.00540v1
- Date: Sun, 30 Apr 2023 17:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 14:47:23.619766
- Title: SRL-Assisted AFM: Generating Planar Unstructured Quadrilateral Meshes
with Supervised and Reinforcement Learning-Assisted Advancing Front Method
- Title（参考訳）: SRL支援AFM:教師付き強化学習支援前処理による平面非構造四角形メッシュの生成
- Authors: Hua Tong and Kuanren Qian and Eni Halilaj and Yongjie Jessica Zhang
- Abstract要約: 本稿では、平面幾何学のメッシュ化のためのSRL支援AFMという新しい計算フレームワークを提案する。
ディープニューラルネットワークは、教師付き学習と強化学習を組み合わせたユニークなパイプラインを使用してトレーニングされる。
提案した教師あり学習ニューラルネットワークは,商用ソフトウェア予測の精度を98%以上向上する。
- 参考スコア（独自算出の注目度）: 2.924868086534434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality mesh generation is the foundation of accurate finite element
analysis. Due to the vast interior vertices search space and complex initial
boundaries, mesh generation for complicated domains requires substantial manual
processing and has long been considered the most challenging and time-consuming
bottleneck of the entire modeling and analysis process. In this paper, we
present a novel computational framework named ``SRL-assisted AFM" for meshing
planar geometries by combining the advancing front method with neural networks
that select reference vertices and update the front boundary using ``policy
networks." These deep neural networks are trained using a unique pipeline that
combines supervised learning with reinforcement learning to iteratively improve
mesh quality. First, we generate different initial boundaries by randomly
sampling points in a square domain and connecting them sequentially. These
boundaries are used for obtaining input meshes and extracting training datasets
in the supervised learning module. We then iteratively improve the
reinforcement learning model performance with reward functions designed for
special requirements, such as improving the mesh quality and controlling the
number and distribution of extraordinary points. Our proposed supervised
learning neural networks achieve an accuracy higher than 98% on predicting
commercial software. The final reinforcement learning neural networks
automatically generate high-quality quadrilateral meshes for complex planar
domains with sharp features and boundary layers.
- Abstract（参考訳）: 高品質メッシュ生成は、正確な有限要素解析の基礎である。
膨大な内部頂点探索空間と複雑な初期境界のため、複雑なドメインのメッシュ生成には相当な手作業が必要であり、モデリングと分析プロセス全体の最も困難かつ時間を要するボトルネックと考えられてきた。
本稿では,先進的前置法と,基準頂点を選択・更新するニューラルネットワークを組み合わせることで,平面ジオメトリをメッシュ化するための新しい計算フレームワークである `srl-assisted afm" を提案する。
これらのディープニューラルネットワークは、教師付き学習と強化学習を組み合わせてメッシュ品質を反復的に改善するユニークなパイプラインを使用してトレーニングされる。
まず、正方形領域内の点をランダムにサンプリングし、順次接続することで、異なる初期境界を生成する。
これらの境界は、入力メッシュを取得し、教師付き学習モジュールでトレーニングデータセットを抽出するために使用される。
次に,メッシュ品質の向上や異常点数と分布の制御など,特別な要件を満たした報酬関数を用いて,強化学習モデルの性能を反復的に改善する。
提案した教師あり学習ニューラルネットワークは,商用ソフトウェア予測の精度を98%以上向上する。
最後の強化学習ニューラルネットワークは、シャープな特徴と境界層を持つ複雑な平面領域のための高品質な四辺メッシュを自動的に生成する。
関連論文リスト
- $R^2$-Mesh: Reinforcement Learning Powered Mesh Reconstruction via Geometry and Appearance Refinement [5.810659946867557]
Neural Radiance Fields (NeRF)に基づくメッシュ再構成は、コンピュータグラフィックス、仮想現実、医療画像などの様々なアプリケーションで人気がある。
マルチビュー画像からメッシュを段階的に生成し,最適化する新しいアルゴリズムを提案する。
本手法は,メッシュレンダリングの品質と幾何学的品質の両方において,高い競争力とロバストな性能を提供する。
論文 参考訳（メタデータ） (2024-08-19T16:33:17Z) - Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。
ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文 参考訳（メタデータ） (2024-06-14T13:12:07Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳（メタデータ） (2023-02-01T03:18:07Z) - Re-visiting Reservoir Computing architectures optimized by Evolutionary
Algorithms [0.0]
進化的アルゴリズム(EA)はニューラルネットワーク(NN)アーキテクチャの改善に応用されている。
我々は、Reservoir Computing (RC) という、リカレントNNの特定の領域におけるEAの応用に関する体系的な簡単な調査を行う。
論文 参考訳（メタデータ） (2022-11-11T14:50:54Z) - An optimised deep spiking neural network architecture without gradients [7.183775638408429]
本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。
このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
論文 参考訳（メタデータ） (2021-09-27T05:59:12Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z) - Deep Randomized Neural Networks [12.333836441649343]
ランダム化されたニューラルネットワークは、ほとんどの接続が固定されたニューラルネットワークの挙動を探索する。
本章はランダム化ニューラルネットワークの設計と解析に関する主要な側面をすべて調査する。
論文 参考訳（メタデータ） (2020-02-27T17:57:58Z) - Identifying Critical Neurons in ANN Architectures using Mixed Integer
Programming [11.712073757744452]
深層ニューラルネットワークアーキテクチャにおいて,各ニューロンに重要なスコアを割り当てるための混合整数プログラム(MIP)を導入する。
我々は、トレーニングされたニューラルネットワークの全体的な精度を維持するために必要な臨界ニューロンの数(すなわち、高いスコアを持つ)を最小限に抑えるために、ソルバを駆動する。
論文 参考訳（メタデータ） (2020-02-17T21:32:47Z)
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。