論文の概要: Three-dimensional Deep Shape Optimization with a Limited Dataset

• arxiv url: http://arxiv.org/abs/2506.12326v1
• Date: Sat, 14 Jun 2025 03:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.803897
• Title: Three-dimensional Deep Shape Optimization with a Limited Dataset
• Title（参考訳）: 有限データセットを用いた三次元深部形状最適化
• Authors: Yongmin Kwon, Namwoo Kang,
• Abstract要約: 生成モデルは、新しい形状を作り出す能力にかなりの注目を集めている。 メカニカルデザインにおけるそれらの応用は、利用可能なデータセットのサイズとバリエーションが制限されているため、依然として制限されている。 本研究では,限られたデータセットを用いた形状最適化に特化して,ディープラーニングに基づく最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.6574413179773761
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative models have attracted considerable attention for their ability to produce novel shapes. However, their application in mechanical design remains constrained due to the limited size and variability of available datasets. This study proposes a deep learning-based optimization framework specifically tailored for shape optimization with limited datasets, leveraging positional encoding and a Lipschitz regularization term to robustly learn geometric characteristics and maintain a meaningful latent space. Through extensive experiments, the proposed approach demonstrates robustness, generalizability and effectiveness in addressing typical limitations of conventional optimization frameworks. The validity of the methodology is confirmed through multi-objective shape optimization experiments conducted on diverse three-dimensional datasets, including wheels and cars, highlighting the model's versatility in producing practical and high-quality design outcomes even under data-constrained conditions.
• Abstract（参考訳）: 生成モデルは、新しい形状を作り出す能力にかなりの注目を集めている。 しかし、利用可能なデータセットのサイズやバリエーションが限られているため、機械設計におけるそれらの応用は依然として制限されている。 本研究では,限られたデータセットによる形状最適化に適した深層学習に基づく最適化フレームワークを提案し,位置符号化とリプシッツ正規化項を利用して幾何学的特徴を頑健に学習し,有意義な潜在空間を維持する。 提案手法は, 従来の最適化フレームワークの典型的な制約に対処する上で, 堅牢性, 一般化可能性, 有効性を示す。 本手法の有効性は、車輪や車を含む多種多様な3次元データセット上で行われた多目的形状最適化実験を通じて確認され、データ制約条件下においても実用的で高品質な設計結果を生み出すためのモデルの汎用性を強調している。

関連論文リスト

• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• Generative Topology Optimization: Exploring Diverse Solutions in Structural Design [11.585099298173285]
  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。
  論文  参考訳（メタデータ） (2025-02-17T21:24:18Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• 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)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• 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)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Early-Phase Performance-Driven Design using Generative Models [0.0]
  本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。 この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。 生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
  論文  参考訳（メタデータ） (2021-07-19T01:25:11Z)
• Good practices for Bayesian Optimization of high dimensional structured spaces [15.488642552157131]
  高次元構造データセットにおけるベイズ最適化のための異なる探索空間設計の選択の効果について検討する。 遅延空間における最適化境界を自動的に定義する新しい手法を評価します。 我々は実践者に推薦する。
  論文  参考訳（メタデータ） (2020-12-31T07:00:39Z)

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。