論文の概要: Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation
- arxiv url: http://arxiv.org/abs/2305.18470v1
- Date: Mon, 29 May 2023 09:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 20:34:21.185178
- Title: Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation
- Title（参考訳）: 制約設計生成のための拡散モデルによる最適化軌道の調整
- Authors: Giorgio Giannone, Akash Srivastava, Ole Winther, Faez Ahmed
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.164961143132473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models have had a profound impact on vision and language, paving
the way for a new era of multimodal generative applications. While these
successes have inspired researchers to explore using generative models in
science and engineering to accelerate the design process and reduce the
reliance on iterative optimization, challenges remain. Specifically,
engineering optimization methods based on physics still outperform generative
models when dealing with constrained environments where data is scarce and
precision is paramount. To address these challenges, we introduce Diffusion
Optimization Models (DOM) and Trajectory Alignment (TA), a learning framework
that demonstrates the efficacy of aligning the sampling trajectory of diffusion
models with the optimization trajectory derived from traditional physics-based
methods. This alignment ensures that the sampling process remains grounded in
the underlying physical principles. Our method allows for generating feasible
and high-performance designs in as few as two steps without the need for
expensive preprocessing, external surrogate models, or additional labeled data.
We apply our framework to structural topology optimization, a fundamental
problem in mechanical design, evaluating its performance on in- and
out-of-distribution configurations. Our results demonstrate that TA outperforms
state-of-the-art deep generative models on in-distribution configurations and
halves the inference computational cost. When coupled with a few steps of
optimization, it also improves manufacturability for out-of-distribution
conditions. By significantly improving performance and inference efficiency,
DOM enables us to generate high-quality designs in just a few steps and guide
them toward regions of high performance and manufacturability, paving the way
for the widespread application of generative models in large-scale data-driven
design.
- Abstract（参考訳）: 生成モデルは、視覚と言語に大きな影響を与え、マルチモーダル生成アプリケーションの新しい時代への道を開いた。
これらの成功は研究者に、デザインプロセスを加速し、反復最適化への依存を減らすために、科学と工学における生成モデルの利用を探求するきっかけとなったが、課題は残る。
具体的には、データ不足や精度が最重要である制約された環境を扱う場合、物理に基づく工学的最適化手法は生成モデルよりも優れている。
これらの課題に対処するために,拡散最適化モデル (DOM) とトラジェクティブアライメント (TA) を導入する。これは,拡散モデルのサンプリング軌道と従来の物理法に基づく最適化軌道との整合性を示す学習フレームワークである。
このアライメントにより、サンプリングプロセスが基礎となる物理原理に基盤を置き続けることが保証される。
本手法は, コストのかかる前処理や外部サロゲートモデル, 付加的なラベル付きデータなしで, わずか2ステップで実現可能かつ高性能な設計を生成できる。
本稿では,機械設計における基本的問題である構造的トポロジ最適化に適用し,その性能評価を行う。
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。
最適化のいくつかのステップと組み合わせることで、アウトオブディストリビューション条件における製造性も向上する。
性能と推論効率を大幅に向上させることで、DOMは、数ステップで高品質な設計を生成でき、それらを高性能で製造可能な領域へと導くことができ、大規模データ駆動設計における生成モデルの普及への道を開いた。
関連論文リスト
- Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:57:29Z) - 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) - Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。
非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
論文 参考訳（メタデータ） (2024-02-13T15:45:20Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-08T22:33:14Z) - 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) - Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
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。
論文 参考訳（メタデータ） (2023-03-17T03:47:10Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - 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) - 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)
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。