論文の概要: Physics-guided training of GAN to improve accuracy in airfoil design synthesis

• arxiv url: http://arxiv.org/abs/2308.10038v1
• Date: Sat, 19 Aug 2023 14:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 18:18:44.847288
• Title: Physics-guided training of GAN to improve accuracy in airfoil design synthesis
• Title（参考訳）: GANの物理誘導による翼設計の精度向上
• Authors: Kazunari Wada, Katsuyuki Suzuki, Kazuo Yonekura
• Abstract要約: GAN(Generative Adversarial Network)は、最近、機械形状の設計合成に使われている。 本稿では,GANモデルの物理誘導学習を指導し,物理的妥当性を学習する手法を提案する。 数値実験により,提案手法は精度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 1.8416014644193066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GAN) have recently been used for a design synthesis of mechanical shapes. A GAN sometimes outputs physically unreasonable shapes. For example, when a GAN model is trained to output airfoil shapes that indicate required aerodynamic performance, significant errors occur in the performance values. This is because the GAN model only considers data but does not consider the aerodynamic equations that lie under the data. This paper proposes the physics-guided training of the GAN model to guide the model to learn physical validity. Physical validity is computed using general-purpose software located outside the neural network model. Such general-purpose software cannot be used in physics-informed neural network frameworks, because physical equations must be implemented inside the neural network models. Additionally, a limitation of generative models is that the output data are similar to the training data and cannot generate completely new shapes. However, because the proposed model is guided by a physical model and does not use a training dataset, it can generate completely new shapes. Numerical experiments show that the proposed model drastically improves the accuracy. Moreover, the output shapes differ from those of the training dataset but still satisfy the physical validity, overcoming the limitations of existing GAN models.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は近年,機械形状の設計合成に用いられている。 GANは物理的に不合理な形状を出力することがある。 例えば、GANモデルが空気力学的性能を示す翼形状を出力するように訓練されると、性能値に重大な誤差が発生する。 これはganモデルがデータのみを考慮せず、データの下にある空力方程式を考慮しないためである。 本稿では,ganモデルの物理指導による学習を行い,モデルの物理妥当性の学習を指導する。 物理的妥当性は、ニューラルネットワークモデル外に位置する汎用ソフトウェアを用いて計算される。 このような汎用ソフトウェアは、物理的に変形したニューラルネットワークのフレームワークでは使用できない。 さらに、生成モデルの制限は、出力データがトレーニングデータと類似しており、全く新しい形状を生成できないことである。 しかし、提案モデルは物理モデルによってガイドされ、トレーニングデータセットを使用しないため、全く新しい形状を生成することができる。 数値実験により,提案モデルが精度を大幅に向上することを示す。 さらに、出力形状はトレーニングデータセットと異なり、既存のganモデルの制限を克服し、物理的妥当性を満足する。

関連論文リスト

• A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction [5.7215490229343535]
  PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。 物理モデルに固有の解釈可能性を保持し、データ要求を減らした。 PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
  論文  参考訳（メタデータ） (2023-09-26T21:41:45Z)
• A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction [0.0]
  本研究では,高忠実度データのみを使用する拡散モデルを提案する。 異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。 本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
  論文  参考訳（メタデータ） (2022-11-26T23:14:18Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
  そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。 概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
  論文  参考訳（メタデータ） (2021-12-10T12:39:07Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Simulated Data Generation Through Algorithmic Force Coefficient Estimation for AI-Based Robotic Projectile Launch Modeling [7.434188351403889]
  非剛体物体発射における力係数のアルゴリズム的推定のための新しい枠組みを提案する。 我々は、非剛体物体の発射軌道を正確にモデル化するための新しいトレーニングアルゴリズムと目的を実装した。
  論文  参考訳（メタデータ） (2021-05-09T18:47:45Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Turbulence Enrichment using Physics-informed Generative Adversarial Networks [0.0]
  我々は乱流生成法を開発した。 損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。 物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-04T06:14:11Z)

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。