論文の概要: Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning

• arxiv url: http://arxiv.org/abs/2305.02116v1
• Date: Wed, 3 May 2023 13:45:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 14:45:37.314989
• Title: Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning
• Title（参考訳）: 深層幾何学習による空力形状最適化の自動パラメータ化
• Authors: Zhen Wei and Pascal Fua and Micha\"el Bauerheim
• Abstract要約: 空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
• 参考スコア（独自算出の注目度）: 60.69217130006758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose two deep learning models that fully automate shape parameterization for aerodynamic shape optimization. Both models are optimized to parameterize via deep geometric learning to embed human prior knowledge into learned geometric patterns, eliminating the need for further handcrafting. The Latent Space Model (LSM) learns a low-dimensional latent representation of an object from a dataset of various geometries, while the Direct Mapping Model (DMM) builds parameterization on the fly using only one geometry of interest. We also devise a novel regularization loss that efficiently integrates volumetric mesh deformation into the parameterization model. The models directly manipulate the high-dimensional mesh data by moving vertices. LSM and DMM are fully differentiable, enabling gradient-based, end-to-end pipeline design and plug-and-play deployment of surrogate models or adjoint solvers. We perform shape optimization experiments on 2D airfoils and discuss the applicable scenarios for the two models.
• Abstract（参考訳）: 空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、学習された幾何学パターンに人間の事前知識を埋め込むために深い幾何学的学習を通じてパラメータ化するように最適化されており、さらなる手作りの必要性をなくしている。 ラテント・スペース・モデル(LSM)は、様々なジオメトリのデータセットからオブジェクトの低次元ラテント表現を学習し、ダイレクトマッピング・モデル(DMM)は1つの幾何学のみを用いて、ハエのパラメータ化を構築する。 また,体積メッシュ変形をパラメータ化モデルに効率的に統合する新しい正規化損失を考案する。 モデルは、移動頂点によって高次元メッシュデータを直接操作する。 LSMとDMMは完全に差別化可能であり、勾配に基づくエンドツーエンドパイプライン設計と、サロゲートモデルや随伴ソルバのプラグアンドプレイ展開を可能にする。 2次元翼の形状最適化実験を行い,その適用シナリオについて考察した。

関連論文リスト

• Generative Aerodynamic Design with Diffusion Probabilistic Models [0.7373617024876725]
  生成モデルは、シミュレーションの大規模なデータセット上でジオメトリを一般化することにより、ジオメトリを提供する可能性を秘めている。 特に,XFOILシミュレーションで訓練した拡散確率モデルを用いて,所定の空力特性と制約を条件とした2次元翼ジオメトリーを合成する。 モデルが同一の要件と制約に対して多様な候補設計を生成可能であることを示し、最適化手順に複数の出発点を提供する設計空間を効果的に探索する。
  論文  参考訳（メタデータ） (2024-09-20T08:38:36Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems [0.0]
  支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。 我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。 カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-09T18:01:14Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に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） (2023-04-03T13:13:19Z)
• Scaling Pre-trained Language Models to Deeper via Parameter-efficient Architecture [68.13678918660872]
  行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。 MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。 私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
  論文  参考訳（メタデータ） (2023-03-27T02:34:09Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Combining data assimilation and machine learning to infer unresolved scale parametrisation [0.0]
  近年、動的数値モデルにおいて、未解決プロセスのデータ駆動パラメトリクスを考案する機械学習が提案されている。 我々のゴールは、高分解能シミュレーションの使用を超えて、直接データを用いてMLベースのパラメーターを訓練することである。 いずれの場合も、ハイブリッドモデルは、切り落とされたモデルよりも優れたスキルで予測を得られることを示す。
  論文  参考訳（メタデータ） (2020-09-09T14:12:11Z)
• Airfoil Design Parameterization and Optimization using B\'ezier Generative Adversarial Networks [9.589376389671099]
  既存のデータベースの形状変化から学習することで空力設計をパラメータ化するための深層生成モデルB'ezier-GANを提案する。 その結果、B'ezier-GAN は、(1) 幅広い翼の滑らかで現実的な形状表現を学習し、(2) 最先端パラメータ化法と比較して、少なくとも2倍の最適化収束を経験的に加速することがわかった。
  論文  参考訳（メタデータ） (2020-06-21T05:28:08Z)

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。