論文の概要: Model-based Deep Learning for High-Dimensional Periodic Structures
- arxiv url: http://arxiv.org/abs/2309.12223v1
- Date: Fri, 15 Sep 2023 07:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-24 03:46:19.014187
- Title: Model-based Deep Learning for High-Dimensional Periodic Structures
- Title（参考訳）: 高次元周期構造のためのモデルベース深層学習
- Authors: Lucas Polo-L\'opez (IETR, INSA Rennes), Luc Le Magoarou (INSA Rennes,
IETR), Romain Contreres (CNES), Mar\'ia Garc\'ia-Vigueras (IETR, INSA Rennes)
- Abstract要約: 提案モデルは非常に汎用性が高く,任意の幾何形状の穿孔やパッチに基づいて,任意の周波数選択面で使用することができる。
ここでは、長方形穿孔を有するスクリーンからなる周波数選択面の例を示し、予測性能とフルウェーブシミュレータで得られた特性との間に優れた一致を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a deep learning surrogate model for the fast simulation of
high-dimensional frequency selective surfaces. We consider unit-cells which are
built as multiple concatenated stacks of screens and their design requires the
control over many geometrical degrees of freedom. Thanks to the introduction of
physical insight into the model, it can produce accurate predictions of the
S-parameters of a certain structure after training with a reduced dataset.The
proposed model is highly versatile and it can be used with any kind of
frequency selective surface, based on either perforations or patches of any
arbitrary geometry. Numeric examples are presented here for the case of
frequency selective surfaces composed of screens with rectangular perforations,
showing an excellent agreement between the predicted performance and such
obtained with a full-wave simulator.
- Abstract（参考訳）: 本研究では,高次元周波数選択曲面の高速シミュレーションのためのディープラーニングサロゲートモデルを提案する。
複数の画面の連結スタックとして構築される単位セルを考慮し、その設計には多くの幾何学的自由度を制御する必要がある。
モデルに対する物理的洞察の導入により, 縮小データセットを用いたトレーニング後, 一定の構造のSパラメータの正確な予測を行うことができ, 提案モデルは非常に多目的であり, 任意の幾何形状の穿孔やパッチに基づいて, 任意の周波数選択面で使用することができる。
長方形穿孔を有するスクリーンからなる周波数選択面の場合, 予測性能とフルウェーブシミュレータで得られた値との一致が良好であることを示す数値例を示す。
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) - 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) - Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。
本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
論文 参考訳（メタデータ） (2024-05-21T09:07:47Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - An End-to-End Deep Learning Generative Framework for Refinable Shape
Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築
本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。
提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文 参考訳（メタデータ） (2024-03-10T21:33:53Z) - 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) - Generalizing to new geometries with Geometry-Aware Autoregressive Models
(GAAMs) for fast calorimeter simulation [6.099458999905677]
生成モデルはより高速なサンプル生産を提供することができるが、現在は特定の検出器測地の性能を最適化するためにかなりの努力が必要である。
我々は,温度計の応答が幾何によってどのように変化するかを学習する自動回帰モデルを開発した。
幾何認識モデルは、いくつかの指標で50ドル以上もするベースライン無意識モデルより優れている。
論文 参考訳（メタデータ） (2023-05-19T08:54:49Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
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。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-13T16:39:53Z) - Machine Learning-aided Design of Thinned Antenna Arrays for Optimized
Network Level Performance [19.17059890143665]
本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。
学習手法が複雑なシミュレータをモデストデータセットでエミュレートする方法を示す。
以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。
論文 参考訳（メタデータ） (2020-01-25T15:34:32Z)
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。