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/2403.00669v2
• Date: Mon, 23 Dec 2024 19:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:52:28.416590
• 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高度化:現状と今後の課題を概観する
• 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(AM)における深層学習(DL)応用の総合的な文献レビューについて紹介する。 急速に成長するが散在するこの分野で徹底的な分析の必要性に対処し、既存の知識をまとめ、さらなる開発を促進することを目的としている。
• 参考スコア（独自算出の注目度）: 5.048134681658527
• License:
• Abstract: This paper presents the first comprehensive literature review of deep learning (DL) applications in additive manufacturing (AM). It addresses the need for a thorough analysis in this rapidly growing yet scattered field, aiming to bring together existing knowledge and encourage further development. Our research questions cover three major areas of AM: (i) design for AM, (ii) AM modeling, and (iii) monitoring and control in AM. We use a step-by-step approach following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines to select papers from Scopus and Web of Science databases, aligning with our research questions. We include only those papers that implement DL across seven major AM categories - binder jetting, directed energy deposition, material extrusion, material jetting, powder bed fusion, sheet lamination, and vat photopolymerization. Our analysis reveals a trend towards using deep generative models, such as generative adversarial networks, for generative design in AM. It also highlights an increasing effort to incorporate process physics into DL models to improve AM process modeling and reduce data requirements. Additionally, there is growing interest in using 3D point cloud data for AM process monitoring, alongside traditional 1D and 2D formats. Finally, this paper summarizes the current challenges and recommends some of the promising opportunities in this domain for further investigation with a special focus on (i) generalizing DL models for a wide range of geometry types, (ii) managing uncertainties both in AM data and DL models, (iii) overcoming limited, imbalanced, and noisy AM data issues by incorporating deep generative models, and (iv) unveiling the potential of interpretable DL for AM.
• Abstract（参考訳）: 本稿では,添加性製造(AM)における深層学習(DL)の応用に関する総合的な文献レビューを行う。 急速に成長するが散在するこの分野で徹底的な分析の必要性に対処し、既存の知識をまとめ、さらなる開発を促進することを目的としている。 AMの3つの主要領域について調べる。 (i)AMの設計 (II)AMモデリング、及び 三 AMにおける監視及び制御 PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses)ガイドラインに従って,Scopus および Web of Science データベースから論文を抽出し,研究課題に沿ったステップバイステップのアプローチを採用する。 本論文は,7つの主要AMカテゴリ(バインダージェット,指向性エネルギー沈着,物質押出,物質噴射,粉末層融合,シート積層,Vat光重合)にまたがるDLを実装した論文のみを含む。 本分析は, AMにおける生成設計において, 生成的敵ネットワークなどの深層生成モデルの利用傾向を明らかにした。 また、プロセス物理をDLモデルに組み込むことで、AMプロセスモデリングを改善し、データ要求を減らす取り組みも活発化しています。 さらに、従来の1Dおよび2Dフォーマットとともに、AMプロセス監視に3Dポイントクラウドデータを使用することへの関心が高まっている。 最後に,本論文は,現状の課題を要約し,特に焦点をあてたさらなる調査のために,この領域における有望な機会のいくつかを推奨する。 (i)幅広い幾何学型に対するDLモデルを一般化する。 二 AMデータ及びDLモデルの両方の不確実性を管理すること。 三 深部生成モデルの導入により、制限された、不均衡な、騒々しいAMデータ問題に打ち勝つこと。 (4)AMの解釈可能なDLの可能性を明らかにする。

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。