論文の概要: Advancing Additive Manufacturing through Deep Learning: A Comprehensive Review of Current Progress and Future Challenges

• arxiv url: http://arxiv.org/abs/2403.00669v1
• Date: Fri, 1 Mar 2024 17:01:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 16:44:07.462475
• Title: Advancing Additive Manufacturing through Deep Learning: A Comprehensive Review of Current Progress and Future Challenges
• Title（参考訳）: 深層学習による添加物製造の進歩:現状と今後の課題の包括的考察
• Authors: Amirul Islam Saimon, Emmanuel Yangue, Xiaowei Yue, Zhenyu (James) Kong, Chenang Liu
• Abstract要約: 本稿では, 添加性製造プロセスの改善にディープラーニングを適用した最近の研究を概観する。 本研究は, 広範囲の幾何学型用DLモデルの一般化, AMデータとDLモデルの両方の不確実性の管理, 生成モデルを組み込んだ限定的かつノイズの多いAMデータ問題への克服, AM用解釈可能なDLの可能性を明らかにすることに焦点を当てる。
• 参考スコア（独自算出の注目度）: 5.415870869037467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Additive manufacturing (AM) has already proved itself to be the potential alternative to widely-used subtractive manufacturing due to its extraordinary capacity of manufacturing highly customized products with minimum material wastage. Nevertheless, it is still not being considered as the primary choice for the industry due to some of its major inherent challenges, including complex and dynamic process interactions, which are sometimes difficult to fully understand even with traditional machine learning because of the involvement of high-dimensional data such as images, point clouds, and voxels. However, the recent emergence of deep learning (DL) is showing great promise in overcoming many of these challenges as DL can automatically capture complex relationships from high-dimensional data without hand-crafted feature extraction. Therefore, the volume of research in the intersection of AM and DL is exponentially growing each year which makes it difficult for the researchers to keep track of the trend and future potential directions. Furthermore, to the best of our knowledge, there is no comprehensive review paper in this research track summarizing the recent studies. Therefore, this paper reviews the recent studies that apply DL for making the AM process better with a high-level summary of their contributions and limitations. Finally, it summarizes the current challenges and recommends some of the promising opportunities in this domain for further investigation with a special focus on generalizing DL models for wide-range of geometry types, managing uncertainties both in AM data and DL models, overcoming limited and noisy AM data issues by incorporating generative models, and unveiling the potential of interpretable DL for AM.
• Abstract（参考訳）: 添加性製造(AM)は、材料の無駄を最小限に抑えた高度にカスタマイズされた製品を製造するという異常な能力のため、広く使われている減量製造の代替品として既に実証されている。 それでも、画像や点雲、ボクセルといった高次元のデータが関与しているため、従来の機械学習でさえ完全に理解することが難しい、複雑なプロセスインタラクションや動的なプロセスインタラクションなど、業界の主要な課題があるため、業界の主要な選択肢とは見なされていない。 しかし,近年の深層学習(DL)の出現は,手作業による特徴抽出を伴わずに,高次元データから複雑な関係を自動的に抽出できることから,これらの課題の多くを克服する大きな可能性を秘めている。 そのため、AMとDLの交点における研究の量は毎年指数関数的に増加しており、研究者がその傾向や将来的な方向性を追跡することは困難である。 さらに,本研究の知見を最大限に活用するために,近年の研究を要約した総合的なレビュー論文は存在しない。 そこで本稿では,AMプロセスの改善にDLを適用した最近の研究を,その貢献と限界を高レベルにまとめてレビューする。 最後に、現状の課題を要約し、この領域における有望な機会のいくつかを、幅広い幾何学型のDLモデルを一般化すること、AMデータとDLモデルの両方の不確実性を管理し、生成モデルを組み込むことで制限された、騒々しいAMデータ問題を克服し、AMのためのDLの解釈の可能性を明らかにすることに焦点を当てて、さらなる調査を推奨する。

関連論文リスト

• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Generative AI for Synthetic Data Generation: Methods, Challenges and the Future [12.506811635026907]
  大規模言語モデル(LLM)から合成データを生成する研究の最近の動向 本稿では,タスク固有トレーニングデータの生成にこれらの巨大なLCMを活用する高度な技術について述べる。
  論文  参考訳（メタデータ） (2024-03-07T03:38:44Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• On the Resurgence of Recurrent Models for Long Sequences -- Survey and Research Opportunities in the Transformer Era [59.279784235147254]
  この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。 長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
  論文  参考訳（メタデータ） (2024-02-12T23:55:55Z)
• Deep Learning for Multi-Label Learning: A Comprehensive Survey [6.571492336879553]
  マルチラベル学習は、単一の入力データポイントから複数のラベルを予測することを目的とした、急速に成長する研究分野である。 MLCでは、高次元データを扱うこと、ラベルの相関に対処すること、部分的なラベルを扱うことが含まれる。 近年,MDCにおけるこれらの課題をより効果的に解決するために,ディープラーニング(DL)技術の採用が顕著に増加していることが報告されている。
  論文  参考訳（メタデータ） (2024-01-29T20:37:03Z)
• Deep Transfer Learning for Automatic Speech Recognition: Towards Better Generalization [3.6393183544320236]
  深層学習(DL)における音声認識の課題 大規模なトレーニングデータセットと高い計算とストレージリソースが必要です。 ディープトランスファーラーニング(DTL)はこれらの問題を克服するために導入された。
  論文  参考訳（メタデータ） (2023-04-27T21:08:05Z)
• Dataset Distillation: A Comprehensive Review [76.26276286545284]
  データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。 本稿ではDDの最近の進歩とその応用について概説する。
  論文  参考訳（メタデータ） (2023-01-17T17:03:28Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)

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。