論文の概要: Flow Battery Manifold Design with Heterogeneous Inputs Through Generative Adversarial Neural Networks

• arxiv url: http://arxiv.org/abs/2508.08863v1
• Date: Tue, 12 Aug 2025 11:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.409205
• Title: Flow Battery Manifold Design with Heterogeneous Inputs Through Generative Adversarial Neural Networks
• Title（参考訳）: 生成逆ニューラルネットワークによる不均一入力を用いたフローバッテリマニフォールド設計
• Authors: Eric Seng, Hugh O'Connor, Adam Boyce, Josh J. Bailey, Anton van Beek,
• Abstract要約: 生成モデルに適したトレーニングデータセットを構築するための体系的フレームワークを提案する。 ベイズ最適化と生成モデルを統合することで、許容可能な設計の潜在空間の解釈可能性を高めることができることを示す。 本研究は,システム設計における生成機械学習モデルの適用性を,品質と信頼性の向上により拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative machine learning has emerged as a powerful tool for design representation and exploration. However, its application is often constrained by the need for large datasets of existing designs and the lack of interpretability about what features drive optimality. To address these challenges, we introduce a systematic framework for constructing training datasets tailored to generative models and demonstrate how these models can be leveraged for interpretable design. The novelty of this work is twofold: (i) we present a systematic framework for generating archetypes with internally homogeneous but mutually heterogeneous inputs that can be used to generate a training dataset, and (ii) we show how integrating generative models with Bayesian optimization can enhance the interpretability of the latent space of admissible designs. These findings are validated by using the framework to design a flow battery manifold, demonstrating that it effectively captures the space of feasible designs, including novel configurations while enabling efficient exploration. This work broadens the applicability of generative machine-learning models in system designs by enhancing quality and reliability.
• Abstract（参考訳）: 生成機械学習は、デザイン表現と探索のための強力なツールとして登場した。 しかしながら、既存の設計の大きなデータセットの必要性と、機能が最適性を促進するものに関する解釈可能性の欠如によって、そのアプリケーションは制約されることが多い。 これらの課題に対処するために、生成モデルに適したトレーニングデータセットを構築するための体系的なフレームワークを導入し、これらのモデルがどのように解釈可能な設計に活用できるかを実証する。 この作品の斬新さは2つある。 (i)トレーニングデータセットの生成に使用できる内部的同質だが相互に異質な入力を持つアーチタイプを生成するための体系的枠組みを提案する。 (II)ベイズ最適化と生成モデルの統合は,許容設計の潜在空間の解釈可能性を高めることができることを示す。 これらの知見はフローバッテリ多様体の設計にこのフレームワークを用いて検証され、新規な構成を含む実現可能な設計の空間を効果的に捕捉し、効率的な探索を可能にすることが実証された。 本研究は,システム設計における生成機械学習モデルの適用性を,品質と信頼性の向上により拡張する。

関連論文リスト

• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• The Extrapolation Power of Implicit Models [2.3526338188342653]
  暗黙のモデルは、アウト・オブ・ディストリビューション、地理的、時間的シフトといった様々な外挿シナリオでテストに投入される。 我々の実験は暗黙のモデルで常に大きな性能上の優位性を証明している。
  論文  参考訳（メタデータ） (2024-07-19T16:01:37Z)
• 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)
• Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
  設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。 非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
  論文  参考訳（メタデータ） (2024-02-13T15:45:20Z)
• 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)
• Latent Diffusion Models for Structural Component Design [11.342098118480802]
  本稿では,構造部品の生成設計のための枠組みを提案する。 我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
  論文  参考訳（メタデータ） (2023-09-20T19:28:45Z)
• 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)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。