論文の概要: Physics-Constrained Generative Artificial Intelligence for Rapid Takeoff Trajectory Design

• arxiv url: http://arxiv.org/abs/2501.03445v1
• Date: Tue, 07 Jan 2025 00:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:47:06.962914
• Title: Physics-Constrained Generative Artificial Intelligence for Rapid Takeoff Trajectory Design
• Title（参考訳）: 高速離陸軌道設計のための物理制約付き生成人工知能
• Authors: Samuel Sisk, Xiaosong Du,
• Abstract要約: 本研究は,eVTOL航空機の離陸制御プロファイルをインテリジェントにパラメータ化するための物理制約付き生成対向ネットワーク (physicsGAN) を提案する。 物理学GANは、すべての制約を満たす設計の98.9%で、実現可能な空間におけるパワーとウィング角度の可能な制御プロファイルのみを生成した。 文献レビューによると、サロゲートモデルによって実現された物理学に制約のある生成人工知能は、これが初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: To aid urban air mobility (UAM), electric vertical takeoff and landing (eVTOL) aircraft are being targeted. Conventional multidisciplinary analysis and optimization (MDAO) can be expensive, while surrogate-based optimization can struggle with challenging physical constraints. This work proposes physics-constrained generative adversarial networks (physicsGAN), to intelligently parameterize the takeoff control profiles of an eVTOL aircraft and to transform the original design space to a feasible space. Specifically, the transformed feasible space refers to a space where all designs directly satisfy all design constraints. The physicsGAN-enabled surrogate-based takeoff trajectory design framework was demonstrated on the Airbus A3 Vahana. The physicsGAN generated only feasible control profiles of power and wing angle in the feasible space with around 98.9% of designs satisfying all constraints. The proposed design framework obtained 99.6% accuracy compared with simulation-based optimal design and took only 2.2 seconds, which reduced the computational time by around 200 times. Meanwhile, data-driven GAN-enabled surrogate-based optimization took 21.9 seconds using a derivative-free optimizer, which was around an order of magnitude slower than the proposed framework. Moreover, the data-driven GAN-based optimization using gradient-based optimizers could not consistently find the optimal design during random trials and got stuck in an infeasible region, which is problematic in real practice. Therefore, the proposed physicsGAN-based design framework outperformed data-driven GAN-based design to the extent of efficiency (2.2 seconds), optimality (99.6% accurate), and feasibility (100% feasible). According to the literature review, this is the first physics-constrained generative artificial intelligence enabled by surrogate models.
• Abstract（参考訳）: 都市空力(UAM)を支援するため、電動垂直離着陸機(eVTOL)が目標となっている。 従来のマルチディシプリナ分析と最適化(MDAO)は費用がかかるが、サロゲートベースの最適化は難しい物理的制約に悩むことがある。 本研究は,eVTOL航空機の離陸制御プロファイルをインテリジェントにパラメータ化し,元の設計空間を実現可能な空間に変換する物理制約付き生成対向ネットワーク (physicsGAN) を提案する。 具体的には、変換可能な空間は、すべての設計がすべての設計制約を直接満たす空間を指す。 物理GAN対応のサロゲートを用いた離陸軌道設計の枠組みはエアバスA3ヴァハナで実証された。 物理学GANは、すべての制約を満たす設計の98.9%で、実現可能な空間におけるパワーとウィング角度の可能な制御プロファイルのみを生成した。 提案した設計フレームワークは、シミュレーションベースの最適設計と比較して99.6%の精度を得、わずか2.2秒で計算時間を約200倍短縮した。 一方、データ駆動のGAN対応サロゲートベースの最適化には21.9秒を要した。 さらに、勾配に基づく最適化を用いたデータ駆動型GANによる最適化は、ランダムな試行の間に常に最適な設計を見つけることができず、現実的な問題である実用不可能な領域に留まった。 したがって、提案された物理GANベースの設計フレームワークは、データ駆動型GANベースの設計を効率(2.2秒)、最適性(99.6%精度)、実現可能性(100%実現可能)で上回った。 文献レビューによると、サロゲートモデルによって実現された物理学に制約のある生成人工知能は、これが初めてである。

関連論文リスト

• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• 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)
• Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
  本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。 また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。 本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
  論文  参考訳（メタデータ） (2023-04-24T19:52:42Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
  PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。 PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。 さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
  論文  参考訳（メタデータ） (2021-10-20T17:06:09Z)
• Speeding up Computational Morphogenesis with Online Neural Synthetic Gradients [51.42959998304931]
  現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。 これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。 オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-25T22:43:51Z)
• Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots [55.056709056795206]
  自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。 F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。 サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
  論文  参考訳（メタデータ） (2021-02-05T03:50:54Z)
• Evolving Search Space for Neural Architecture Search [70.71153433676024]
  最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。 我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。 遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-11-22T01:11:19Z)
• Accelerating gradient-based topology optimization design with dual-model neural networks [21.343803954998915]
  この研究において、ニューラルネットワークは、前進および感度計算のための効率的な代理モデルとして使用される。 感度解析の精度を向上させるために、前方および感度データの両方でトレーニングされたデュアルモデルニューラルネットワークを構築した。 64x64という問題で得られた効率は、前方計算では137倍、感度解析では74倍である。
  論文  参考訳（メタデータ） (2020-09-14T07:52:55Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)

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。