論文の概要: An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units

• arxiv url: http://arxiv.org/abs/2407.20251v1
• Date: Fri, 19 Jul 2024 22:21:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 00:46:38.919571
• Title: An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units
• Title（参考訳）: メタマテリアルユニットの不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計最適化
• Authors: Zihan Wang, Anindya Bhaduri, Hongyi Xu, Liping Wang,
• Abstract要約: メタマテリアルユニットの設計のための,新しい不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計手法を提案する。 提案手法は,高性能なメタマテリアルユニットを高信頼性で設計できることを示す。
• 参考スコア（独自算出の注目度）: 14.660705962826718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanical metamaterials represent an innovative class of artificial structures, distinguished by their extraordinary mechanical characteristics, which are beyond the scope of traditional natural materials. The use of deep generative models has become increasingly popular in the design of metamaterial units. The effectiveness of using deep generative models lies in their capacity to compress complex input data into a simplified, lower-dimensional latent space, while also enabling the creation of novel optimal designs through sampling within this space. However, the design process does not take into account the effect of model uncertainty due to data sparsity or the effect of input data uncertainty due to inherent randomness in the data. This might lead to the generation of undesirable structures with high sensitivity to the uncertainties in the system. To address this issue, a novel uncertainty-aware deep learning framework-based robust design approach is proposed for the design of metamaterial units with optimal target properties. The proposed approach utilizes the probabilistic nature of the deep learning framework and quantifies both aleatoric and epistemic uncertainties associated with surrogate-based design optimization. We demonstrate that the proposed design approach is capable of designing high-performance metamaterial units with high reliability. To showcase the effectiveness of the proposed design approach, a single-objective design optimization problem and a multi-objective design optimization problem are presented. The optimal robust designs obtained are validated by comparing them to the designs obtained from the topology optimization method as well as the designs obtained from a deterministic deep learning framework-based design optimization where none of the uncertainties in the system are explicitly considered.
• Abstract（参考訳）: メカニカルメタマテリアルは、伝統的な天然材料の範囲を超えて、その異常な機械的特性によって区別される、革新的な人工構造物のクラスを表している。 深層生成モデルの使用は、メタマテリアルユニットの設計においてますます人気が高まっている。 深層生成モデルを使用することの有効性は、複雑な入力データを単純化された低次元の潜在空間に圧縮する能力と、この空間内でサンプリングすることで新しい最適設計を作成できることにある。 しかし,データ間隔によるモデル不確実性の影響や,データ固有のランダム性による入力データ不確実性の影響を考慮に入れない。 これにより、システムの不確実性に対して高い感度で、望ましくない構造が生成される可能性がある。 この問題に対処するため,メタマテリアルユニットの設計において,新たな不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計手法を提案する。 提案手法は,ディープラーニングフレームワークの確率的性質を利用して,サロゲートに基づく設計最適化に付随するアレタリックおよびエピステマティックな不確かさを定量化する。 提案手法は,高性能なメタマテリアルユニットを高信頼性で設計できることを示す。 提案手法の有効性を示すために, 単目的設計最適化問題と多目的設計最適化問題を提案する。 得られた最適ロバスト設計は、トポロジー最適化法から得られた設計と、システム内の不確実性を明示的に考慮しない決定論的ディープラーニングフレームワークに基づく設計最適化から得られた設計とを比較して検証する。

関連論文リスト

• Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
  ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。 設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。 本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T00:11:53Z)
• 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)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• 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)
• Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty [7.362287148334665]
  不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。 それは、名目(理想)設計のコンパクトな表現と、名目的な設計が与えられた設計の条件分布を同時に学習する。 提案した深部生成モデルとロバストな設計最適化と不確実な設計のための信頼性に基づく設計最適化を組み合わせることができる。
  論文  参考訳（メタデータ） (2022-02-21T22:21:07Z)
• Deep Generative Models for Geometric Design Under Uncertainty [8.567987231153966]
  不確実性フレームワーク(GAN-DUF)に基づくジェネレーティブ・アドバイサル・ネットワーク・ベース・デザインを提案する。 GAN-DUFは、名目(理想)設計のコンパクトな表現と、製造された設計の条件分布を同時に学習する深い生成モデルを含む。 このフレームワークを実世界の2つのエンジニアリング設計例で実演し、製造後のより良い性能を持つソリューションを見つける能力を示した。
  論文  参考訳（メタデータ） (2021-12-15T18:00:46Z)
• 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)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。