論文の概要: Generative Topology Optimization: Exploring Diverse Solutions in Structural Design
- arxiv url: http://arxiv.org/abs/2502.13174v1
- Date: Mon, 17 Feb 2025 21:24:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 14:02:01.118743
- Title: Generative Topology Optimization: Exploring Diverse Solutions in Structural Design
- Title(参考訳): 生成的トポロジー最適化 : 構造設計における様々な解の探索
- Authors: Andreas Radler, Eric Volkmann, Johannes Brandstetter, Arturs Berzins,
- Abstract要約: トポロジー最適化(英: Topology Optimization、TO)は、公式な問題記述から準最適ジオメトリを導出する計算手法のファミリーである。
生成トポロジ最適化(GenTO)は,ニューラルネットワークを用いて構造に適合した形状を生成するデータフリーな手法である。
我々は,GenTOがほぼ最適性を維持しながら,従来手法よりも多様な解を生成することを示す。
- 参考スコア(独自算出の注目度): 11.585099298173285
- License:
- Abstract: Topology optimization (TO) is a family of computational methods that derive near-optimal geometries from formal problem descriptions. Despite their success, established TO methods are limited to generating single solutions, restricting the exploration of alternative designs. To address this limitation, we introduce Generative Topology Optimization (GenTO) - a data-free method that trains a neural network to generate structurally compliant shapes and explores diverse solutions through an explicit diversity constraint. The network is trained with a solver-in-the-loop, optimizing the material distribution in each iteration. The trained model produces diverse shapes that closely adhere to the design requirements. We validate GenTO on 2D and 3D TO problems. Our results demonstrate that GenTO produces more diverse solutions than any prior method while maintaining near-optimality and being an order of magnitude faster due to inherent parallelism. These findings open new avenues for engineering and design, offering enhanced flexibility and innovation in structural optimization.
- Abstract(参考訳): トポロジー最適化(英: Topology Optimization、TO)は、公式な問題記述から準最適ジオメトリを導出する計算手法のファミリーである。
その成功にもかかわらず、確立されたTOメソッドは単一ソリューションの生成に限られており、代替設計の探索が制限されている。
この制限に対処するために、生成トポロジ最適化(GenTO)という、ニューラルネットワークをトレーニングして構造に準拠した形状を生成し、明示的な多様性制約を通じて多様なソリューションを探索する、データフリーな手法を紹介します。
ネットワークは、ループ内のソルバでトレーニングされ、各イテレーションで材料分布を最適化する。
トレーニングされたモデルは、設計要件に忠実に準拠する多様な形状を生成する。
我々はGenTOを2次元と3次元のTO問題で検証する。
この結果から,GenTOは従来手法よりも多種多様な解を生成できる一方で,ほぼ最適性を維持し,並列性により桁違いに高速であることが示唆された。
これらの発見は、工学と設計のための新しい道を開き、構造最適化の柔軟性と革新性を高めた。
関連論文リスト
- Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
正規球上の線形最小化オラクル(LMO)を利用する最適化手法について検討する。
この問題の幾何学に適応するためにLMOを用いた新しいアルゴリズム群を提案し, 意外なことに, 制約のない問題に適用可能であることを示す。
論文 参考訳(メタデータ) (2025-02-11T13:10:34Z) - Integrating Optimization Theory with Deep Learning for Wireless Network Design [38.257335693563554]
従来の無線ネットワーク設計は、ドメイン固有の数学的モデルから派生した最適化アルゴリズムに依存している。
ディープラーニングは、複雑さと適応性の懸念を克服する、有望な代替手段として登場した。
本稿では,これらの問題に対処するために,最適化理論とディープラーニング手法を統合する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-12-11T20:27:48Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳(メタデータ) (2024-09-07T19:52:14Z) - 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) - Evolutionary Alternating Direction Method of Multipliers for Constrained
Multi-Objective Optimization with Unknown Constraints [17.392113376816788]
制約付き多目的最適化問題(CMOP)は、科学、工学、設計における現実世界の応用に及んでいる。
本稿では,目的関数と制約関数を分離する乗算器の交互方向法の原理に着想を得た,この種の進化的最適化フレームワークについて紹介する。
本研究の枠組みは,元の問題を2つのサブプロブレムの付加形式に再構成することで,未知の制約でCMOPに対処する。
論文 参考訳(メタデータ) (2024-01-02T00:38:20Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳(メタデータ) (2023-12-28T23:15:18Z) - Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。
SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。
本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
論文 参考訳(メタデータ) (2023-03-17T03:47:10Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Automated Circuit Sizing with Multi-objective Optimization based on
Differential Evolution and Bayesian Inference [1.1579778934294358]
一般化微分進化3(GDE3)とガウス過程(GP)に基づく設計最適化手法を提案する。
提案手法は,多数の設計変数を持つ複雑な回路の小型化を実現し,多くの競合対象を最適化する。
本研究では,2つの電圧レギュレータにおいて,異なるレベルの複雑さを示す手法について検討した。
論文 参考訳(メタデータ) (2022-06-06T06:48:45Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - Physics-consistent deep learning for structural topology optimization [8.391633158275692]
トポロジ最適化は、コンポーネントの設計を洗練し、パフォーマンスを向上するための一般的なアプローチとして現れています。
現在の最新のトポロジ最適化フレームワークは計算集約的です。
本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
論文 参考訳(メタデータ) (2020-12-09T23:05:55Z)
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。