論文の概要: Generative Structural Design Integrating BIM and Diffusion Model

• arxiv url: http://arxiv.org/abs/2311.04052v1
• Date: Tue, 7 Nov 2023 15:05:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 15:12:24.781718
• Title: Generative Structural Design Integrating BIM and Diffusion Model
• Title（参考訳）: BIMと拡散モデルを統合した生成的構造設計
• Authors: Zhili He, Yu-Hsing Wang, Jian Zhang
• Abstract要約: 本研究では,ビルディング情報モデリング(BIM)をインテリジェントな構造設計に適用し,BIMと生成AIを統合した構造設計パイプラインを確立する。 人図作成のプロセスにインスパイアされた生成フレームワークでは,AIモデルの生成困難を軽減するため,新たな2段階生成フレームワークが提案されている。 生成型AIツールでは、広く使われているGANベースのモデルを置き換えるために拡散モデル(DM)を導入し、新しい物理ベースの条件付き拡散モデル(PCDM)を提案し、異なる設計の前提条件を検討する。
• 参考スコア（独自算出の注目度）: 4.619347136761891
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Intelligent structural design using AI can effectively reduce time overhead and increase efficiency. It has potential to become the new design paradigm in the future to assist and even replace engineers, and so it has become a research hotspot in the academic community. However, current methods have some limitations to be addressed, whether in terms of application scope, visual quality of generated results, or evaluation metrics of results. This study proposes a comprehensive solution. Firstly, we introduce building information modeling (BIM) into intelligent structural design and establishes a structural design pipeline integrating BIM and generative AI, which is a powerful supplement to the previous frameworks that only considered CAD drawings. In order to improve the perceptual quality and details of generations, this study makes 3 contributions. Firstly, in terms of generation framework, inspired by the process of human drawing, a novel 2-stage generation framework is proposed to replace the traditional end-to-end framework to reduce the generation difficulty for AI models. Secondly, in terms of generative AI tools adopted, diffusion models (DMs) are introduced to replace widely used generative adversarial network (GAN)-based models, and a novel physics-based conditional diffusion model (PCDM) is proposed to consider different design prerequisites. Thirdly, in terms of neural networks, an attention block (AB) consisting of a self-attention block (SAB) and a parallel cross-attention block (PCAB) is designed to facilitate cross-domain data fusion. The quantitative and qualitative results demonstrate the powerful generation and representation capabilities of PCDM. Necessary ablation studies are conducted to examine the validity of the methods. This study also shows that DMs have the potential to replace GANs and become the new benchmark for generative problems in civil engineering.
• Abstract（参考訳）: AIを用いたインテリジェントな構造設計は、時間オーバーヘッドを効果的に削減し、効率を向上する。 将来、エンジニアを支援して置き換える新しいデザインパラダイムになる可能性があり、学術界では研究のホットスポットとなっている。 しかし、現在の手法には、アプリケーションの範囲、生成された結果の視覚的品質、結果の評価基準など、いくつかの制限がある。 本研究は包括的解決法を提案する。 まず,知的構造設計にビルディング・インフォメーション・モデリング(bim)を導入し,従来のcad描画のみを考慮したフレームワークの強力な補完であるbimとジェネレーティブaiを統合した構造設計パイプラインを確立する。 知覚の質と世代の詳細を改善するために,本研究では3つの貢献を行う。 第一に、人間の描画のプロセスにインスパイアされた生成フレームワークにおいて、従来のエンドツーエンドフレームワークを置き換えるために、2段階生成フレームワークが提案され、AIモデルの生成困難が軽減される。 次に, 生成型aiツールに関して, 広く用いられている生成型逆ネットワーク(gan)モデルを置き換えるために拡散モデル(dms)を導入し, 異なる設計条件を考慮した新しい物理ベースの条件付き拡散モデル(pcdm)を提案する。 第3に、ニューラルネットワークの分野では、自己注意ブロック(SAB)と並列横断ブロック(PCAB)からなるアテンションブロック(AB)が、クロスドメインデータの融合を容易にするように設計されている。 定量的および定性的な結果は、PCDMの強力な生成と表現能力を示す。 方法の妥当性を検討するために, 必要なアブレーション研究を行う。 この研究は、DMがGANを置き換える可能性があり、土木工学における生成問題の新たなベンチマークとなることも示している。

関連論文リスト

• Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
  Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。 これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。 我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
  論文  参考訳（メタデータ） (2024-11-03T07:01:13Z)
• 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)
• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  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。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• 3D pride without 2D prejudice: Bias-controlled multi-level generative models for structure-based ligand design [1.978587235008588]
  データスパーシリティとバイアスは、3D認識モデルの開発における2つの主要な障害である。 バイアス制御とデータ効率を改善するために,マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T12:23:59Z)
• Generative Pre-Trained Transformers for Biologically Inspired Design [13.852758740799452]
  本稿では,事前学習言語モデル(PLM)に基づく生成設計手法を提案する。 問題空間表現のゆるさに応じて、3種類の設計概念生成器をPLMから同定し、微調整する。 このアプローチは、自然にインスパイアされた軽量の空飛ぶ車の概念の生成と評価に微調整されたモデルを適用するケーススタディによってテストされる。
  論文  参考訳（メタデータ） (2022-03-31T11:13:22Z)
• An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development [4.940941112226529]
  本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。 提案フレームワークは,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワークスクリーニングの3つの主要コンポーネントを含む。 提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-03-25T10:36:27Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)

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。