論文の概要: Architectural Flaw Detection in Civil Engineering Using GPT-4

• arxiv url: http://arxiv.org/abs/2410.20036v1
• Date: Sat, 26 Oct 2024 01:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:19:24.381490
• Title: Architectural Flaw Detection in Civil Engineering Using GPT-4
• Title（参考訳）: GPT-4を用いた土木構造物の欠陥検出
• Authors: Saket Kumar, Abul Ehtesham, Aditi Singh, Tala Talaei Khoei,
• Abstract要約: 本稿では,LLM GPT4ターボビジョンモデルによる設計段階におけるアーキテクチャ欠陥の検出の可能性について検討する。 本研究は,精度,リコール,F1スコアなどの指標を用いて,モデルの性能を評価する。 この調査結果は、AIが設計精度を大幅に改善し、コストのかかるリビジョンを削減し、持続可能なプラクティスをサポートする方法を強調している。
• 参考スコア（独自算出の注目度）: 0.8463972278020965
• License:
• Abstract: The application of artificial intelligence (AI) in civil engineering presents a transformative approach to enhancing design quality and safety. This paper investigates the potential of the advanced LLM GPT4 Turbo vision model in detecting architectural flaws during the design phase, with a specific focus on identifying missing doors and windows. The study evaluates the model's performance through metrics such as precision, recall, and F1 score, demonstrating AI's effectiveness in accurately detecting flaws compared to human-verified data. Additionally, the research explores AI's broader capabilities, including identifying load-bearing issues, material weaknesses, and ensuring compliance with building codes. The findings highlight how AI can significantly improve design accuracy, reduce costly revisions, and support sustainable practices, ultimately revolutionizing the civil engineering field by ensuring safer, more efficient, and aesthetically optimized structures.
• Abstract（参考訳）: 土木工学における人工知能(AI)の適用は、設計品質と安全性を高めるための変革的なアプローチを示す。 本稿では,設計段階における設計上の欠陥を検出するための高度なLCM GPT4ターボビジョンモデルの可能性について検討する。 この研究は、精度、リコール、F1スコアなどの指標を用いてモデルの性能を評価し、人間の検証データと比較して、欠陥を正確に検出するAIの有効性を示す。 さらに、この研究は、負荷負担問題、物質的弱点の特定、ビルドコードへのコンプライアンスの確保など、AIの幅広い機能についても調査している。 この調査結果は、AIが設計精度を大幅に改善し、コストのかかるリビジョンを削減し、持続可能なプラクティスをサポートし、最終的にはより安全で効率よく、美的最適化された構造を確実にすることで、土木分野に革命をもたらすかを強調している。

関連論文リスト

• An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units [14.660705962826718]
  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。
  論文  参考訳（メタデータ） (2024-07-19T22:21:27Z)
• PVF (Parameter Vulnerability Factor): A Scalable Metric for Understanding AI Vulnerability Against SDCs in Model Parameters [7.652441604508354]
  脆弱性因子(Vulnerability Factor, PVF)は、AIモデル脆弱性のパラメータ破損に対する定量化を目標とする指標である。 PVFは、フォールトプロテクションとパフォーマンス/効率のトレードオフのバランスをとる上で、AIハードウェアデザイナに重要な洞察を提供することができる。 推論中にPVFを3種類のタスク/モデルに適用するためのユースケースとして、DLRM、ビジョン分類(CNN)、テキスト分類(BERT)を挙げる。
  論文  参考訳（メタデータ） (2024-05-02T21:23:34Z)
• SAIBench: A Structural Interpretation of AI for Science Through Benchmarks [2.6159098238462817]
  本稿では,構造解釈として知られる新しいベンチマーク手法を提案する。 それは2つの重要な要件に対処する: 問題空間における信頼された操作範囲を特定し、エラーを計算コンポーネントにトレースする。 構造解釈の実用性と有効性は、3つの異なるAI4Sワークロードへの適用を通じて説明される。
  論文  参考訳（メタデータ） (2023-11-29T18:17:35Z)
• Unleashing the potential of prompt engineering in Large Language Models: a comprehensive review [1.6006550105523192]
  大規模言語モデル(LLM)の能力を解き放つ上で,迅速なエンジニアリングが果たす重要な役割を概観する 自己整合性、思考の連鎖、そして生成された知識などの技術を含む、素早い工学の基礎的方法論と先進的な方法論の両方を検査する。 レビューはまた、AI能力の進歩におけるエンジニアリングの急進的な役割を反映し、将来の研究と応用のための構造化されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-10-23T09:15:18Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• 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)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Unadversarial Examples: Designing Objects for Robust Vision [100.4627585672469]
  現代の機械学習アルゴリズムの感度を入力摂動に活かし、「ロバストオブジェクト」を設計するフレームワークを開発しています。 標準ベンチマークから(シミュレーション中)ロボット工学まで,さまざまな視覚ベースのタスクに対するフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-22T18:26:07Z)

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。