論文の概要: Latent Diffusion Models for Structural Component Design

• arxiv url: http://arxiv.org/abs/2309.11601v2
• Date: Sun, 24 Sep 2023 17:22:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 22:36:13.129562
• Title: Latent Diffusion Models for Structural Component Design
• Title（参考訳）: 構造成分設計のための潜在拡散モデル
• Authors: Ethan Herron, Jaydeep Rade, Anushrut Jignasu, Baskar Ganapathysubramanian, Aditya Balu, Soumik Sarkar, Adarsh Krishnamurthy
• Abstract要約: 本稿では,構造部品の生成設計のための枠組みを提案する。 我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
• 参考スコア（独自算出の注目度）: 11.342098118480802
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in generative modeling, namely Diffusion models, have revolutionized generative modeling, enabling high-quality image generation tailored to user needs. This paper proposes a framework for the generative design of structural components. Specifically, we employ a Latent Diffusion model to generate potential designs of a component that can satisfy a set of problem-specific loading conditions. One of the distinct advantages our approach offers over other generative approaches, such as generative adversarial networks (GANs), is that it permits the editing of existing designs. We train our model using a dataset of geometries obtained from structural topology optimization utilizing the SIMP algorithm. Consequently, our framework generates inherently near-optimal designs. Our work presents quantitative results that support the structural performance of the generated designs and the variability in potential candidate designs. Furthermore, we provide evidence of the scalability of our framework by operating over voxel domains with resolutions varying from $32^3$ to $128^3$. Our framework can be used as a starting point for generating novel near-optimal designs similar to topology-optimized designs.
• Abstract（参考訳）: 最近の生成モデリングの進歩、すなわち拡散モデルは生成モデリングに革命をもたらし、ユーザーのニーズに合わせた高品質な画像生成を可能にした。 本稿では,構造部品の生成設計のための枠組みを提案する。 具体的には, 潜在拡散モデルを用いて, 問題固有の負荷条件を満たしたコンポーネントのポテンシャル設計を行う。 我々のアプローチがGAN(Generative Adversarial Network)のような他のジェネレーティブアプローチよりも優れている点の1つは、既存のデザインの編集を可能にすることである。 SIMPアルゴリズムを用いて構造的トポロジ最適化から得られたジオメトリのデータセットを用いてモデルを訓練する。 その結果,本フレームワークは本質的に準最適設計を生成する。 本研究は,生成した設計の構造的性能と候補設計の変動性をサポートする定量的な結果を示す。 さらに、ボクセルドメイン上で32^3$から128^3$の解像度で操作することで、フレームワークのスケーラビリティを示す。 本手法はトポロジー最適化設計と類似した新しい近似最適設計の出発点として使用できる。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Evolutive Rendering Models [91.99498492855187]
  我々は、レンダリングプロセスを通して、動的に進化し適応する能力を持つレンダリングモデルである、テクスタイトボリューティブレンダリングモデルを提案する。 特に,3つの主要レンダリング要素の最適化を可能にする総合的な学習フレームワークを提案する。 安定な目標指向要素の進化を促進するために, 勾配特性の詳細な解析を行う。
  論文  参考訳（メタデータ） (2024-05-27T17:40:00Z)
• 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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  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。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty [7.362287148334665]
  不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。 それは、名目(理想)設計のコンパクトな表現と、名目的な設計が与えられた設計の条件分布を同時に学習する。 提案した深部生成モデルとロバストな設計最適化と不確実な設計のための信頼性に基づく設計最適化を組み合わせることができる。
  論文  参考訳（メタデータ） (2022-02-21T22:21:07Z)
• PaDGAN: A Generative Adversarial Network for Performance Augmented Diverse Designs [13.866787416457454]
  本研究では, 優れた設計空間を網羅した新規な高品質な設計を創出可能な, 高性能拡張多言語生成ネットワーク(Performance Augmented Diverse Generative Adversarial Network) または PaDGAN を開発した。 バニラ生成適応ネットワークと比較して、平均的な平均品質スコアが28%高く、多様性が大きく、モード崩壊の問題がないサンプルを生成する。
  論文  参考訳（メタデータ） (2020-02-26T04:53:39Z)

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。