論文の概要: Multi-fidelity Bayesian Data-Driven Design of Energy Absorbing Spinodoid Cellular Structures
- arxiv url: http://arxiv.org/abs/2507.22079v1
- Date: Fri, 25 Jul 2025 15:55:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:17.751633
- Title: Multi-fidelity Bayesian Data-Driven Design of Energy Absorbing Spinodoid Cellular Structures
- Title（参考訳）: エネルギー吸収性スピノドイド細胞構造の多次元ベイズデータ駆動設計
- Authors: Leo Guo, Hirak Kansara, Siamak F. Khosroshahi, GuoQi Zhang, Wei Tan,
- Abstract要約: 本稿では,ソボのサンプルに分散感性分析を適用し,問題点を解決することを目的とする。
この結果は、高価なデータ駆動設計問題にまたがるマルチファイダリティ技術の有用性をサポートするのに役立ちます。
- 参考スコア（独自算出の注目度）: 1.5187678526255866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finite element (FE) simulations of structures and materials are getting increasingly more accurate, but also more computationally expensive as a collateral result. This development happens in parallel with a growing demand of data-driven design. To reconcile the two, a robust and data-efficient optimization method called Bayesian optimization (BO) has been previously established as a technique to optimize expensive objective functions. In parallel, the mesh width of an FE model can be exploited to evaluate an objective at a lower or higher fidelity (cost & accuracy) level. The multi-fidelity setting applied to BO, called multi-fidelity BO (MFBO), has also seen previous success. However, BO and MFBO have not seen a direct comparison with when faced with with a real-life engineering problem, such as metamaterial design for deformation and absorption qualities. Moreover, sampling quality and assessing design parameter sensitivity is often an underrepresented part of data-driven design. This paper aims to address these shortcomings by employing Sobol' samples with variance-based sensitivity analysis in order to reduce design problem complexity. Furthermore, this work describes, implements, applies and compares the performance BO with that MFBO when maximizing the energy absorption (EA) problem of spinodoid cellular structures is concerned. The findings show that MFBO is an effective way to maximize the EA of a spinodoid structure and is able to outperform BO by up to 11% across various hyperparameter settings. The results, which are made open-source, serve to support the utility of multi-fidelity techniques across expensive data-driven design problems.
- Abstract（参考訳）: 構造や材料の有限要素(FE)シミュレーションはますます正確になりつつありますが、横方向の結果として計算コストも高くなっています。
この開発はデータ駆動設計の需要の増加と並行して行われる。
この2つを整理するために、高価な目的関数を最適化する手法として、ベイズ最適化(BO)と呼ばれる頑健でデータ効率のよい最適化手法が確立されている。
並行して、FEモデルのメッシュ幅を利用して、目標をより低いまたは高い忠実度(コストと精度)レベルで評価することができる。
MFBO(Multi-fidelity BO)と呼ばれるBOに適用される多重忠実度設定も、以前の成功例である。
しかし, BOとMFBOは, 変形・吸収特性のメタマテリアル設計など, 現実の工学的問題に直面する場合と直接比較されていない。
さらに、サンプリング品質と設計パラメータの感度の評価は、しばしばデータ駆動設計の過小評価される部分である。
本稿では, 設計問題の複雑さを軽減するために, 分散型感度解析を用いたSobolのサンプルを用いて, これらの欠点に対処することを目的とする。
さらに、この研究は、スピノドイド細胞構造のエネルギー吸収(EA)問題を最大化する際に、性能BOとMFBOとを記述し、実装し、比較する。
その結果、MFBOはスピノドイド構造のEAを最大化するための有効な方法であり、様々なハイパーパラメータ設定でBOを最大11%上回ることができることがわかった。
結果はオープンソースにされ、高価なデータ駆動設計問題にまたがる多要素技術の有用性をサポートするのに役立ちます。
関連論文リスト
- Adaptive Bayesian Data-Driven Design of Reliable Solder Joints for Micro-electronic Devices [0.0]
熱メカニカルローディングによる故障に関連するソルダ継手信頼性は、重要でありながら物理的に複雑な工学的問題である。
ますますデータ駆動の世界では、効率的なデータ駆動設計スキームの使用が一般的な選択である。
著者らは、徹底的な代理モデルを利用して計算的貯蓄を得ることができると主張している。
論文 参考訳（メタデータ） (2025-07-25T20:34:03Z) - HiLAB: A Hybrid Inverse-Design Framework [0.0]
HiLABはナノフォトニック構造の逆設計のための新しいパラダイムである。
シミュレーションコストを削減した多様なフリーフォーム構成を生成することで、多機能デバイス設計に対処する。
論文 参考訳（メタデータ） (2025-05-23T05:34:56Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - 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) - Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization [37.339567743948955]
本稿では,BOの限界に対処するための新しいベイズ最適化フレームワークを提案する。
我々の重要な貢献は、高度にスケーラブルでサンプルベースの取得機能であり、非支配的な目的のソートを実行する。
我々は,ベイズ型ニューラルネットワークサロゲートと組み合わせることで,最小限の反復数でデータ集約環境に有効であることを示す。
論文 参考訳（メタデータ） (2023-06-01T19:10:57Z) - 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) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳（メタデータ） (2023-02-17T08:49:09Z) - Scalable Bayesian optimization with high-dimensional outputs using
randomized prior networks [3.0468934705223774]
本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。
提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。
提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
論文 参考訳（メタデータ） (2023-02-14T18:55:21Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - High Dimensional Bayesian Optimization Assisted by Principal Component
Analysis [4.030481609048958]
高次元数値最適化問題に対する新しいPCA支援BO(PCA-BO)アルゴリズムを提案する。
我々は,PCA-BOが高次元問題におけるCPU時間を効果的に削減し,適切なグローバル構造を持つ問題に対する収束率を維持することを示す。
論文 参考訳（メタデータ） (2020-07-02T07:03:27Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳（メタデータ） (2020-03-17T03:52:17Z)
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。