論文の概要: Multi-scale Topology Optimization using Neural Networks

• arxiv url: http://arxiv.org/abs/2404.08708v1
• Date: Thu, 11 Apr 2024 18:00:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 19:11:57.966449
• Title: Multi-scale Topology Optimization using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いたマルチスケールトポロジー最適化
• Authors: Hongrui Chen, Xingchen Liu, Levent Burak Kara,
• Abstract要約: 長年の課題は、細胞間の良好な接続性を備えたマルチスケール構造を設計することである。 ニューラルネットワークを用いた直接マルチスケールトポロジ最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 2.8154992696398784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A long-standing challenge is designing multi-scale structures with good connectivity between cells while optimizing each cell to reach close to the theoretical performance limit. We propose a new method for direct multi-scale topology optimization using neural networks. Our approach focuses on inverse homogenization that seamlessly maintains compatibility across neighboring microstructure cells. Our approach consists of a topology neural network that optimizes the microstructure shape and distribution across the design domain as a continuous field. Each microstructure cell is optimized based on a specified elasticity tensor that also accommodates in-plane rotations. The neural network takes as input the local coordinates within a cell to represent the density distribution within a cell, as well as the global coordinates of each cell to design spatially varying microstructure cells. As such, our approach models an n-dimensional multi-scale optimization problem as a 2n-dimensional inverse homogenization problem using neural networks. During the inverse homogenization of each unit cell, we extend the boundary of each cell by scaling the input coordinates such that the boundaries of neighboring cells are combined. Inverse homogenization on the combined cell improves connectivity. We demonstrate our method through the design and optimization of graded multi-scale structures.
• Abstract（参考訳）: 長年の課題は、セル間の良好な接続性を持つマルチスケール構造を設計し、各セルを理論的な性能限界に近づくように最適化することである。 ニューラルネットワークを用いた直接マルチスケールトポロジ最適化手法を提案する。 本手法は, 近接する微細構造体間の相溶性をシームレスに維持する逆ホモジェナイゼーションに着目する。 提案手法は,設計領域全体にわたる構造形状と分布を連続体として最適化するトポロジニューラルネットワークから成り立っている。 各マイクロ構造セルは、平面内回転も許容する特定の弾性テンソルに基づいて最適化される。 ニューラルネットワークは、セル内の局所座標を入力としてセル内の密度分布を表現し、各セルのグローバル座標を空間的に変化するマイクロ構造セルを設計する。 このように、ニューラルネットワークを用いた2n次元逆ホモジェナイゼーション問題として、n次元の多次元最適化問題をモデル化する。 各単位セルの逆ホモジェナイゼーションにおいて、隣り合うセルの境界が組み合わされるように入力座標をスケーリングすることにより、各セルの境界を拡張する。 コンバインドセル上の逆ホモジェナイゼーションは接続性を改善する。 本手法は,グレード付きマルチスケール構造の設計と最適化を通じて実証する。

関連論文リスト

• Attending to Topological Spaces: The Cellular Transformer [37.84207797241944]
  トポロジカルディープラーニングは、入力データにトポロジ的構造を活用することにより、ニューラルネットワークモデルの予測性能を高めることを目指している。 本稿では,グラフベースのトランスをセルコンプレックスに一般化する新しいアーキテクチャであるCellular Transformer(CT)を紹介する。 CTは最先端のパフォーマンスを実現するが、より複雑な拡張を必要としない。
  論文  参考訳（メタデータ） (2024-05-23T01:48:32Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Topology Optimization using Neural Networks with Conditioning Field Initialization for Improved Efficiency [2.575019247624295]
  我々は、未最適化領域の事前初期フィールドを使用することで、ニューラルネットワークに基づくトポロジ最適化の効率をさらに向上できることを示す。 我々は、最適化を通じてニューラルネットワークに入力される追加条件付けフィールドとして、初期設計領域で計算されたひずみエネルギー場を用いる。
  論文  参考訳（メタデータ） (2023-05-17T07:42:24Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Concurrent build direction, part segmentation, and topology optimization for additive manufacturing using neural networks [2.2911466677853065]
  本稿では,加法製造におけるサポート構造の利用を減らすことを目的としたトポロジー最適化のためのニューラルネットワークアプローチを提案する。 本手法では,(1)部分分割,(2)各部分のトポロジ,(3)各部分のビルド方向の同時決定が可能なネットワークアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2022-10-04T02:17:54Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Data-Driven Multiscale Design of Cellular Composites with Multiclass Microstructures for Natural Frequency Maximization [14.337297795182181]
  本稿では,データ駆動型トポロジ最適化(TO)手法を提案する。 このフレームワークは、熱コンプライアンスや動的応答最適化など、他のマルチスケールTO問題にも容易に拡張できる。
  論文  参考訳（メタデータ） (2021-06-11T15:59:33Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures [15.540823405781337]
  材料特性に応じた多様な細胞ユニット細胞を生成できる深層生成モデルを提案します。 その結果,(1)特定の材料特性を高精度(相対誤差5%)で満たす各種ユニットセルを生成し,2)高品質のインターフェース接続(インターフェースにおける平均重複面積98.7%)を有する機能グレードの細胞構造を作成し,3)従来のトポロジ最適化可変密度構造に対する構造性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-03-03T18:39:25Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。