論文の概要: C-ShipGen: A Conditional Guided Diffusion Model for Parametric Ship Hull Design
- arxiv url: http://arxiv.org/abs/2407.03333v1
- Date: Fri, 10 May 2024 01:10:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:18:55.468485
- Title: C-ShipGen: A Conditional Guided Diffusion Model for Parametric Ship Hull Design
- Title（参考訳）: C-ShipGen:パラメトリック船殻設計のための条件付き誘導拡散モデル
- Authors: Noah J. Bagazinski, Faez Ahmed,
- Abstract要約: 船の設計プロセスの改善は、顧客に対して高品質な設計を提供しながら、大幅なコスト削減につながる可能性がある。
船体設計のための新しい技術は拡散モデル(英語版)である。
本稿では,特定の制約を課した船体設計を生成する条件拡散モデルを提案する。
- 参考スコア（独自算出の注目度）: 3.796768352477804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ship design is a complex design process that may take a team of naval architects many years to complete. Improving the ship design process can lead to significant cost savings, while still delivering high-quality designs to customers. A new technology for ship hull design is diffusion models, a type of generative artificial intelligence. Prior work with diffusion models for ship hull design created high-quality ship hulls with reduced drag and larger displaced volumes. However, the work could not generate hulls that meet specific design constraints. This paper proposes a conditional diffusion model that generates hull designs given specific constraints, such as the desired principal dimensions of the hull. In addition, this diffusion model leverages the gradients from a total resistance regression model to create low-resistance designs. Five design test cases compared the diffusion model to a design optimization algorithm to create hull designs with low resistance. In all five test cases, the diffusion model was shown to create diverse designs with a total resistance less than the optimized hull, having resistance reductions over 25%. The diffusion model also generated these designs without retraining. This work can significantly reduce the design cycle time of ships by creating high-quality hulls that meet user requirements with a data-driven approach.
- Abstract（参考訳）: 船の設計は複雑な設計プロセスであり、海軍の建築家のチームが完成するまでに何年もかかるかもしれない。
船の設計プロセスの改善は、顧客に対して高品質な設計を提供しながら、大幅なコスト削減につながる可能性がある。
船体設計のための新しい技術は拡散モデル(英語版)である。
船体設計のための拡散モデルに関する以前の研究は、ドラッグを減らし、転覆量を大きくした高品質な船体を製作した。
しかし、設計上の制約を満たす船体は生成できなかった。
本稿では,船体の所望の主次元など,特定の制約を課した船体設計を生成する条件拡散モデルを提案する。
さらに、この拡散モデルは、全抵抗回帰モデルからの勾配を利用して、低抵抗設計を作成する。
5つの設計テストケースは、拡散モデルと設計最適化アルゴリズムを比較し、低抵抗の船体設計を作成した。
5つの試験例すべてにおいて、拡散モデルは、最適化された船体よりも総抵抗が低く、25%以上の抵抗低減を有する多様な設計を作成することが示されている。
拡散モデルもこれらの設計を再訓練せずに生成した。
この作業は、データ駆動アプローチでユーザ要求を満たす高品質な船体を作成することで、船の設計サイクル時間を著しく短縮することができる。
関連論文リスト
- 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) - Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。
非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
論文 参考訳（メタデータ） (2024-02-13T15:45:20Z) - Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints [53.66698106829144]
広い範囲のレイアウト生成タスクを処理する統一モデルを提案する。
このモデルは連続拡散モデルに基づいている。
実験結果から,LACEは高品質なレイアウトを生成することがわかった。
論文 参考訳（メタデータ） (2024-02-07T11:12:41Z) - 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) - ShipGen: A Diffusion Model for Parametric Ship Hull Generation with
Multiple Objectives and Constraints [4.485378844492069]
本稿では,パラメトリック拡散モデルを用いたパラメトリック船体設計について述べる。
生成した船体設計の品質を改善するためのガイダンスの追加について詳述している。
生成的人工知能はデザインサイクルの時間を短縮し、新しい高性能なデザインを作り出すことが示されている。
論文 参考訳（メタデータ） (2023-11-09T22:26:03Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳（メタデータ） (2023-05-31T16:31:24Z) - Ship-D: Ship Hull Dataset for Design Optimization using Machine Learning [4.091593765662773]
本稿では, 設計および機能性能情報を備えた3万隻の船体からなる大規模データセットについて述べる。
本稿では,既存の船体を正確に再構成するパラメータ化機能を示すために,一般公開CADリポジトリから12種類の船体について紹介する。
論文 参考訳（メタデータ） (2023-05-14T23:47:20Z) - ShipHullGAN: A generic parametric modeller for ship hull design using
deep convolutional generative model [0.0]
深層畳み込み生成逆数ネットワーク(GAN)を用いて構築された汎用パラメトリック・モデラーであるShipHullGANを紹介する。
高いレベルでは、新しいモデルはパラメトリック船の設計パラダイムにおける現在の保守性に対処することを目的としている。
ShipHullGANを52,591個のテキストで検証した大規模なデータセットで訓練した。
論文 参考訳（メタデータ） (2023-04-29T09:31:20Z) - 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) - Range-GAN: Range-Constrained Generative Adversarial Network for
Conditioned Design Synthesis [10.50166876879424]
条件付きディープジェネレーションモデルであるRange-GANを提案し、レンジ制約による自動設計を実現します。
ラベル認識による自己増強は,生成した3D形状に対する制約満足度を平均して14%向上させる。
また,所定の要求範囲を均等にカバーできる新しい均一性損失を提案する。
論文 参考訳（メタデータ） (2021-03-10T18:02:13Z)
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。