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

• A Survey on Diffusion Models for Anomaly Detection [41.22298168457618]
  拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場した。 DMADは、ますます複雑で高次元のデータにおける偏差を特定するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-20T12:06:54Z)
• Trends, Challenges, and Future Directions in Deep Learning for Glaucoma: A Systematic Review [0.2940464448991482]
  PRISMA(Systematic Reviews and Meta-Analyses)における優先報告項目を用いたディープラーニング(DL)アルゴリズムによる緑内障検出の最近の進歩について検討する。 本研究では,DLに基づく緑内障検出フレームワークの3つの側面(入力データモダリティ,処理戦略,モデルアーキテクチャとアプリケーション)に焦点を当てた。
  論文  参考訳（メタデータ） (2024-11-07T23:35:05Z)
• RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
  本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。 我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。 実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• A Survey on Data Augmentation in Large Model Era [16.05117556207015]
  大きな言語と拡散モデルを含む大きなモデルは、人間レベルの知能を近似する上で非常に有望である。 これらのモデルへの継続的な更新により、既存の高品質なデータの貯水池はすぐに枯渇する可能性がある。 本稿では,大規模モデル駆動型データ拡張手法について概観する。
  論文  参考訳（メタデータ） (2024-01-27T14:19:33Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• 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)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)

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。