Fugu-MT 論文翻訳(概要): Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes

論文の概要: Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes

arxiv url: http://arxiv.org/abs/2410.06406v1
Date: Tue, 8 Oct 2024 22:27:35 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 05:59:12.488973
Title: Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes
Title（参考訳）: 非構造メッシュ上のスカラー場予測のためのトポロジー非依存グラフU-Net
Authors: Kevin Ferguson, Yu-hsuan Chen, Yiming Chen, Andrew Gillman, James Hardin, Levent Burak Kara,
Abstract要約: TAG U-Netはグラフ畳み込みネットワークで、任意のメッシュやグラフ構造を入力できるようにトレーニングすることができる。モデルは、各入力グラフの粗いバージョンを構築し、元のグラフ上のノードワイズ出力を予測するために、一連の畳み込みとプーリング操作を実行する。
参考スコア（独自算出の注目度）: 2.4306216325375196
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Machine-learned surrogate models to accelerate lengthy computer simulations are becoming increasingly important as engineers look to streamline the product design cycle. In many cases, these approaches offer the ability to predict relevant quantities throughout a geometry, but place constraints on the form of the input data. In a world of diverse data types, a preferred approach would not restrict the input to a particular structure. In this paper, we propose Topology-Agnostic Graph U-Net (TAG U-Net), a graph convolutional network that can be trained to input any mesh or graph structure and output a prediction of a target scalar field at each node. The model constructs coarsened versions of each input graph and performs a set of convolution and pooling operations to predict the node-wise outputs on the original graph. By training on a diverse set of shapes, the model can make strong predictions, even for shapes unlike those seen during training. A 3-D additive manufacturing dataset is presented, containing Laser Powder Bed Fusion simulation results for thousands of parts. The model is demonstrated on this dataset, and it performs well, predicting both 2-D and 3-D scalar fields with a median R-squared > 0.85 on test geometries. Code and datasets are available online.
Abstract（参考訳）: 技術者が製品設計サイクルの合理化を図る中で、長いコンピュータシミュレーションを加速するマシン学習サロゲートモデルの重要性が高まっている。多くの場合、これらの手法は幾何全体にわたって関連する量を予測する能力を提供するが、入力データに制約を課す。多様なデータ型の世界では、望ましいアプローチは特定の構造への入力を制限するものではない。本稿では,グラフ畳み込みネットワークであるTopology-Agnostic Graph U-Net(TAG U-Net)を提案する。モデルは、各入力グラフの粗いバージョンを構築し、元のグラフ上のノードワイズ出力を予測するために、一連の畳み込みとプーリング操作を実行する。多様な形状のトレーニングによって、モデルはトレーニング中に見られるような形状であっても、強い予測を行うことができる。数千の部品に対してレーザー粉体融合シミュレーション結果を含む3次元付加製造データセットが提示される。このモデルがこのデータセット上で実証され、2次元および3次元のスカラー場と、テスト測地上での中央値R-2乗 > 0.85 の2次元および3次元のスカラー場の両方を予測できる。コードとデータセットはオンラインで入手できる。

関連論文リスト

Scalar Field Prediction on Meshes Using Interpolated Multi-Resolution Convolutional Neural Networks [0.0]
任意のメッシュ上でスカラー場を予測する手法を提案する。このモデルは有限要素von Mises応力場に基づいて訓練され、一度訓練すれば、任意の入力メッシュ上の各ノードの応力値を推定することができる。また, 熱伝導問題における温度場のモデルも示しており, 予測値の中央値は0.99である。
論文参考訳（メタデータ） (2024-10-07T21:59:34Z)
PARSAC: Accelerating Robust Multi-Model Fitting with Parallel Sample Consensus [26.366299016589256]
雑音データから幾何モデルの複数事例を頑健に推定するリアルタイム手法を提案する。ニューラルネットワークは、入力データを潜在的モデルインスタンスを表すクラスタに分割する。我々は、画像当たり5ミリ秒の推論時間を持つ複数の確立されたデータセットと同様に、これらに対して最先端のパフォーマンスを実証する。
論文参考訳（メタデータ） (2024-01-26T14:54:56Z)
Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文参考訳（メタデータ） (2023-06-29T16:48:00Z)
GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文参考訳（メタデータ） (2023-06-20T03:33:22Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文参考訳（メタデータ） (2021-12-14T14:48:08Z)
NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文参考訳（メタデータ） (2021-06-17T12:25:44Z)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)
Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文参考訳（メタデータ） (2020-08-03T08:48:41Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Graph Prolongation Convolutional Networks: Explicitly Multiscale Machine Learning on Graphs with Applications to Modeling of Cytoskeleton [0.0]
我々は新しいタイプのアンサンブルグラフ畳み込みネットワーク(GCN)モデルを定義する。グラフの空間スケール間のマッピングに最適化された線形射影演算子を用いて、このアンサンブルモデルは、最終的な予測のために各スケールからの情報を集約することを学ぶ。
論文参考訳（メタデータ） (2020-02-14T01:56:17Z)

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。