論文の概要: Adjoint-Based Aerodynamic Shape Optimization with a Manifold Constraint Learned by Diffusion Models
- arxiv url: http://arxiv.org/abs/2507.23443v1
- Date: Thu, 31 Jul 2025 11:21:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:09.621754
- Title: Adjoint-Based Aerodynamic Shape Optimization with a Manifold Constraint Learned by Diffusion Models
- Title(参考訳): 拡散モデルから学習したマニフォールド制約を用いた随伴型空力形状最適化
- Authors: Long Chen, Emre Oezkaya, Jan Rottmayer, Nicolas R. Gauger, Zebang Shen, Yinyu Ye,
- Abstract要約: 本稿では,空力的に実行可能な形状の滑らかな多様体を学習するために,既存の設計で訓練された拡散モデルを統合する,随伴型空力形状最適化フレームワークを提案する。
自動微分による強靭で高忠実な空力形状の最適化を実現するために,AI生成前処理と随伴手法を効果的に統合する方法を実証する。
- 参考スコア(独自算出の注目度): 12.019764781438603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce an adjoint-based aerodynamic shape optimization framework that integrates a diffusion model trained on existing designs to learn a smooth manifold of aerodynamically viable shapes. This manifold is enforced as an equality constraint to the shape optimization problem. Central to our method is the computation of adjoint gradients of the design objectives (e.g., drag and lift) with respect to the manifold space. These gradients are derived by first computing shape derivatives with respect to conventional shape design parameters (e.g., Hicks-Henne parameters) and then backpropagating them through the diffusion model to its latent space via automatic differentiation. Our framework preserves mathematical rigor and can be integrated into existing adjoint-based design workflows with minimal modification. Demonstrated on extensive transonic RANS airfoil design cases using off-the-shelf and general-purpose nonlinear optimizers, our approach eliminates ad hoc parameter tuning and variable scaling, maintains robustness across initialization and optimizer choices, and achieves superior aerodynamic performance compared to conventional approaches. This work establishes how AI generated priors integrates effectively with adjoint methods to enable robust, high-fidelity aerodynamic shape optimization through automatic differentiation.
- Abstract(参考訳): 本稿では,空力的に実行可能な形状の滑らかな多様体を学習するために,既存の設計で訓練された拡散モデルを統合する,随伴型空力形状最適化フレームワークを提案する。
この多様体は、形状最適化問題に対する等式制約として強制される。
我々の手法の中心は、多様体空間に関する設計目的(例えば、ドラッグとリフト)の随伴勾配の計算である。
これらの勾配は、従来の形状設計パラメータ(例えばHicks-Henneパラメータ)に関する最初の計算形状微分から導かれる。
我々のフレームワークは数学的厳密さを保ち、最小限の修正で既存の随伴型設計ワークフローに統合することができる。
本手法は,オフザシェルフと汎用非線形オプティマイザを用いた広帯域超音速RANS翼設計事例を実証し,アドホックパラメータチューニングと可変スケーリングを排除し,初期化と最適化の両面におけるロバスト性を維持し,従来の手法に比べて優れた空力性能を実現する。
この研究は、AIが生成したプリエントが、自動微分を通じて堅牢で高忠実な空力形状の最適化を可能にするために、随伴メソッドと効果的に統合する方法を確立する。
関連論文リスト
- Flows and Diffusions on the Neural Manifold [0.0]
拡散およびフローベース生成モデルは、画像合成、ビデオ生成、自然言語モデリングといった領域で顕著に成功している。
これらの進歩は、最近の手法を活用して、最適化力学から導かれる構造的事前を組み込むことにより、重み空間学習に拡張する。
論文 参考訳(メタデータ) (2025-07-14T02:26:06Z) - 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) - 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) - Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。
我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
論文 参考訳(メタデータ) (2024-08-28T16:12:16Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳(メタデータ) (2024-05-30T03:57:29Z) - 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) - 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) - Parametric Generative Schemes with Geometric Constraints for Encoding
and Synthesizing Airfoils [25.546237636065182]
特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。
ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。
制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
論文 参考訳(メタデータ) (2022-05-05T05:58:08Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳(メタデータ) (2021-07-23T13:43:34Z)
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。