論文の概要: Generative VS non-Generative Models in Engineering Shape Optimization
- arxiv url: http://arxiv.org/abs/2402.08540v1
- Date: Tue, 13 Feb 2024 15:45:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 15:08:25.573374
- Title: Generative VS non-Generative Models in Engineering Shape Optimization
- Title(参考訳): エンジニアリング形状最適化におけるVS生成非生成モデル
- Authors: Muhammad Usama, Zahid Masood, Shahroz Khan, Konstantinos Kostas,
Panagiotis Kaklis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.3749861135832073
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we perform a systematic comparison of the effectiveness and
efficiency of generative and non-generative models in constructing design
spaces for novel and efficient design exploration and shape optimization. We
apply these models in the case of airfoil/hydrofoil design and conduct the
comparison on the resulting design spaces. A conventional Generative
Adversarial Network (GAN) and a state-of-the-art generative model, the
Performance-Augmented Diverse Generative Adversarial Network (PaDGAN), are
juxtaposed with a linear non-generative model based on the coupling of the
Karhunen-Lo\`eve Expansion and a physics-informed Shape Signature Vector
(SSV-KLE). The comparison demonstrates that, with an appropriate shape encoding
and a physics-augmented design space, non-generative models have the potential
to cost-effectively generate high-performing valid designs with enhanced
coverage of the design space. In this work, both approaches are applied to two
large foil profile datasets comprising real-world and artificial designs
generated through either a profile-generating parametric model or deep-learning
approach. These datasets are further enriched with integral properties of their
members' shapes as well as physics-informed parameters. Our results illustrate
that the design spaces constructed by the non-generative model outperform the
generative model in terms of design validity, generating robust latent spaces
with none or significantly fewer invalid designs when compared to generative
models. We aspire that these findings will aid the engineering design community
in making informed decisions when constructing designs spaces for shape
optimization, as we have show that under certain conditions computationally
inexpensive approaches can closely match or even outperform state-of-the art
generative models.
- Abstract(参考訳): 本研究では,新規かつ効率的な設計探索と形状最適化のための設計空間構築において,生成モデルと非生成モデルの有効性と効率を体系的に比較する。
これらのモデルを翼/水翼設計に適用し, 得られた設計空間との比較を行う。
従来のGAN(Generative Adversarial Network)と最先端生成モデルであるPerformance-Augmented Diverse Generative Adversarial Network(PaDGAN)を,Karhunen-Lo\\eve ExpansionとSSV-KLE(Science-informed Shape Signature Vector)の結合に基づく線形非生成モデルで近似する。
この比較により、適切な形状エンコーディングと物理設計空間により、非生成モデルでは、設計空間のカバー範囲が強化された高性能な有効な設計をコスト効率良く生成することができることが示される。
本研究では,2つの大規模フォイルプロファイルデータセットに対して,プロファイル生成パラメトリックモデルとディープラーニングアプローチを用いて,実世界と人工デザインを組み合わせた2つのアプローチを適用した。
これらのデータセットは、物理インフォームドパラメータと同様に、メンバーの形状の積分的性質によってさらに豊かになる。
この結果から,非生成モデルにより構成された設計空間は,設計妥当性の観点から生成モデルよりも優れており,生成モデルと比較した場合,ロバストな潜在空間がほとんどあるいは著しく少ない。
これらの知見は,形状最適化のための設計空間を構築する際に,工学設計コミュニティがインフォームドな意思決定を行うのに役立つと期待する。
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) - Latent Diffusion Models for Structural Component Design [11.342098118480802]
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。
論文 参考訳(メタデータ) (2023-09-20T19:28:45Z) - 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) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - 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) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-10-07T02:12:34Z) - 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) - Deep Generative Models for Geometric Design Under Uncertainty [8.567987231153966]
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。
GAN-DUFは、名目(理想)設計のコンパクトな表現と、製造された設計の条件分布を同時に学習する深い生成モデルを含む。
このフレームワークを実世界の2つのエンジニアリング設計例で実演し、製造後のより良い性能を持つソリューションを見つける能力を示した。
論文 参考訳(メタデータ) (2021-12-15T18:00:46Z) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳(メタデータ) (2021-12-07T05:22:50Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳(メタデータ) (2021-07-27T08:59:39Z) - Early-Phase Performance-Driven Design using Generative Models [0.0]
本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。
この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。
生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
論文 参考訳(メタデータ) (2021-07-19T01:25:11Z)
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。