論文の概要: Generative AI-based Prompt Evolution Engineering Design Optimization With Vision-Language Model

• arxiv url: http://arxiv.org/abs/2406.09143v2
• Date: Fri, 14 Jun 2024 08:33:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 12:17:38.739170
• Title: Generative AI-based Prompt Evolution Engineering Design Optimization With Vision-Language Model
• Title（参考訳）: ビジョンランゲージモデルを用いたAIベースのプロンプト進化工学設計最適化
• Authors: Melvin Wong, Thiago Rios, Stefan Menzel, Yew Soon Ong,
• Abstract要約: 本稿では,車両設計シナリオでコンテキスト化された,迅速な進化設計最適化(PEDO)フレームワークを提案する。 生成車の設計において,物理に基づく解法と視覚言語モデルを用いて,実用的あるいは機能的な指導を行う。 自動車設計最適化問題に関する調査は,探索の初期段階に発生する潜在的な自動車設計の広範な普及を示唆している。
• 参考スコア（独自算出の注目度）: 22.535058343006828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering design optimization requires an efficient combination of a 3D shape representation, an optimization algorithm, and a design performance evaluation method, which is often computationally expensive. We present a prompt evolution design optimization (PEDO) framework contextualized in a vehicle design scenario that leverages a vision-language model for penalizing impractical car designs synthesized by a generative model. The backbone of our framework is an evolutionary strategy coupled with an optimization objective function that comprises a physics-based solver and a vision-language model for practical or functional guidance in the generated car designs. In the prompt evolutionary search, the optimizer iteratively generates a population of text prompts, which embed user specifications on the aerodynamic performance and visual preferences of the 3D car designs. Then, in addition to the computational fluid dynamics simulations, the pre-trained vision-language model is used to penalize impractical designs and, thus, foster the evolutionary algorithm to seek more viable designs. Our investigations on a car design optimization problem show a wide spread of potential car designs generated at the early phase of the search, which indicates a good diversity of designs in the initial populations, and an increase of over 20\% in the probability of generating practical designs compared to a baseline framework without using a vision-language model. Visual inspection of the designs against the performance results demonstrates prompt evolution as a very promising paradigm for finding novel designs with good optimization performance while providing ease of use in specifying design specifications and preferences via a natural language interface.
• Abstract（参考訳）: 工学設計の最適化には、3次元形状表現、最適化アルゴリズム、設計性能評価手法の効率的な組み合わせが必要である。 本稿では, 車両設計シナリオにおいて, 生成モデルにより合成された非現実車設計のペナルティ化に視覚言語モデルを利用する, 即時進化設計最適化(PEDO)フレームワークを提案する。 我々のフレームワークのバックボーンは、物理に基づく解法と、生成車の設計における実用的あるいは機能的なガイダンスのための視覚言語モデルからなる最適化目的関数と組み合わせた進化的戦略である。 迅速な進化的探索において、最適化者は複数のテキストプロンプトを反復的に生成し、3Dカーの設計の空力性能と視覚的嗜好にユーザ仕様を埋め込む。 そして、計算流体力学シミュレーションに加えて、事前学習された視覚言語モデルを用いて、非現実的な設計をペナルティ化し、より実用的な設計を求める進化的アルゴリズムを育成する。 カーデザイン最適化問題に関する調査では,初期個体群における設計の多様性が良好であることや,視覚言語モデルを用いないベースラインフレームワークと比較して,実用設計の確率が20倍以上増加する可能性が示唆された。 性能評価結果に対する設計の視覚的検査は、設計仕様や嗜好を自然言語インターフェースで定義する上で、優れた最適化性能を持つ新規設計を見つけるための、非常に有望なパラダイムとして、迅速な進化を示す。

関連論文リスト

• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Large Language and Text-to-3D Models for Engineering Design Optimization [0.1740313383876245]
  工学領域における深層テキストから3Dモデルの可能性について検討する。 空力車両最適化の文脈において,OpenAIによるテキスト・ツー・3Dアセット・ネットワークであるShap-Eを用いる。
  論文  参考訳（メタデータ） (2023-07-03T07:54:09Z)
• 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)
• 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)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• 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)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs [5.8010446129208155]
  本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。 RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T06:50:47Z)

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。