論文の概要: Weighted Unsupervised Domain Adaptation Considering Geometry Features
and Engineering Performance of 3D Design Data
- arxiv url: http://arxiv.org/abs/2309.04499v1
- Date: Fri, 8 Sep 2023 00:26:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 18:09:03.049674
- Title: Weighted Unsupervised Domain Adaptation Considering Geometry Features
and Engineering Performance of 3D Design Data
- Title(参考訳): 3次元設計データの幾何学的特徴と工学的性能を考慮した重み付き教師なし領域適応
- Authors: Seungyeon Shin, Namwoo Kang
- Abstract要約: 本稿では,3次元設計データの幾何学的特徴と工学的性能を考慮した2重非教師なし領域適応手法を提案する。
提案モデルでは, 最大von Mises応力の大きさとそれに対応する3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
- 参考スコア(独自算出の注目度): 2.306144660547256
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The product design process in manufacturing involves iterative design
modeling and analysis to achieve the target engineering performance, but such
an iterative process is time consuming and computationally expensive. Recently,
deep learning-based engineering performance prediction models have been
proposed to accelerate design optimization. However, they only guarantee
predictions on training data and may be inaccurate when applied to new domain
data. In particular, 3D design data have complex features, which means domains
with various distributions exist. Thus, the utilization of deep learning has
limitations due to the heavy data collection and training burdens. We propose a
bi-weighted unsupervised domain adaptation approach that considers the geometry
features and engineering performance of 3D design data. It is specialized for
deep learning-based engineering performance predictions. Domain-invariant
features can be extracted through an adversarial training strategy by using
hypothesis discrepancy, and a multi-output regression task can be performed
with the extracted features to predict the engineering performance. In
particular, we present a source instance weighting method suitable for 3D
design data to avoid negative transfers. The developed bi-weighting strategy
based on the geometry features and engineering performance of engineering
structures is incorporated into the training process. The proposed model is
tested on a wheel impact analysis problem to predict the magnitude of the
maximum von Mises stress and the corresponding location of 3D road wheels. This
mechanism can reduce the target risk for unlabeled target domains on the basis
of weighted multi-source domain knowledge and can efficiently replace
conventional finite element analysis.
- Abstract(参考訳): 製造における製品設計プロセスは、目標エンジニアリング性能を達成するために反復的な設計モデリングと分析を伴うが、このような反復的なプロセスは時間がかかり、計算コストがかかる。
近年,設計最適化を高速化する深層学習に基づく工学性能予測モデルが提案されている。
しかし、トレーニングデータの予測のみを保証し、新しいドメインデータに適用すると不正確になる可能性がある。
特に、3dデザインデータは複雑な特徴を持ち、様々な分布を持つ領域が存在する。
このように、深層学習の利用には、データ収集と訓練の負担による制限がある。
本稿では3次元設計データの幾何学的特徴と工学的性能を考慮した二重非教師付きドメイン適応手法を提案する。
ディープラーニングベースのエンジニアリングパフォーマンス予測に特化している。
仮説の相違を利用してドメイン不変の特徴を敵の訓練戦略により抽出し、抽出した特徴を用いて多出力回帰タスクを行い、工学的性能を予測する。
特に、負の転送を避けるために、3次元設計データに適したソースインスタンス重み付け手法を提案する。
工学構造の幾何学的特徴と工学的性能に基づく2重重み付け戦略が訓練プロセスに組み込まれている。
提案モデルは, 最大von mises応力の大きさと3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
このメカニズムは、重み付けされたマルチソースドメイン知識に基づいて、ラベルなしのターゲットドメインのターゲットリスクを低減し、従来の有限要素分析を効率的に置き換えることができる。
関連論文リスト
- 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) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳(メタデータ) (2023-09-18T12:36:39Z) - A Systematic Survey in Geometric Deep Learning for Structure-based Drug
Design [63.30166298698985]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
幾何学的深層学習の最近の進歩は、3次元幾何データの統合と処理に焦点をあてて、構造に基づく薬物設計の分野を大いに進歩させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - DiffSkill: Skill Abstraction from Differentiable Physics for Deformable
Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。
特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。
次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文 参考訳(メタデータ) (2022-03-31T17:59:38Z) - Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
論文 参考訳(メタデータ) (2022-03-17T09:54:22Z) - Physical Design using Differentiable Learned Simulators [9.380022457753938]
逆設計では、学習したフォワードシミュレータは勾配に基づく設計最適化と組み合わせられる。
この枠組みは数百歩の軌跡を伝播することで高品質な設計を行う。
この結果から,機械学習をベースとしたシミュレータは,いくつかの課題があるにもかかわらず,汎用設計の最適化をサポートできる段階まで成熟していることが示唆された。
論文 参考訳(メタデータ) (2022-02-01T19:56:39Z) - 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) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳(メタデータ) (2020-12-11T14:33:27Z) - Improving the Performance of Fine-Grain Image Classifiers via Generative
Data Augmentation [0.5161531917413706]
我々は、ロバスト生成アドリアルネットワーク(DAPPER GAN)の熟練した事前学習からデータ拡張を開発する。
DAPPER GANは、トレーニングイメージの新しいビューを自動的に生成するML分析支援ツールである。
本手法をStanford Carsデータセット上で実験的に評価し,車体形状とモデル分類精度の向上を実証した。
論文 参考訳(メタデータ) (2020-08-12T15:29:11Z) - Autofocused oracles for model-based design [8.22379888383833]
非ゼロサムゲームとしてデータ駆動設計問題を定式化する。
設計アルゴリズムが進むにつれて回帰モデルを再訓練するための原則的戦略を開発する。
論文 参考訳(メタデータ) (2020-06-14T23:22:50Z) - A Deep Learning Framework for Simulation and Defect Prediction Applied
in Microelectronics [3.8698051494433043]
本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。
我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
論文 参考訳(メタデータ) (2020-02-25T15:54:33Z)
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。