論文の概要: MechaFormer: Sequence Learning for Kinematic Mechanism Design Automation

• arxiv url: http://arxiv.org/abs/2508.09005v1
• Date: Tue, 12 Aug 2025 15:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.475115
• Title: MechaFormer: Sequence Learning for Kinematic Mechanism Design Automation
• Title（参考訳）: MechaFormer: 運動機構設計自動化のためのシーケンス学習
• Authors: Diana Bolanos, Mohammadmehdi Ataei, Pradeep Kumar Jayaraman,
• Abstract要約: 本稿では,条件付きシーケンス生成タスクとして機構設計に取り組むトランスフォーマーベースモデルであるMechaFormerを紹介する。 本モデルでは,対象曲線をドメイン固有言語()文字列に変換し,そのメカニズムの位相と幾何パラメータを同時に決定する。 ソリューションの品質を劇的に改善し、デザイナーに価値ある柔軟性を提供する、一連のサンプリング戦略を示します。
• 参考スコア（独自算出の注目度）: 3.5169782367209135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing mechanical mechanisms to trace specific paths is a classic yet notoriously difficult engineering problem, characterized by a vast and complex search space of discrete topologies and continuous parameters. We introduce MechaFormer, a Transformer-based model that tackles this challenge by treating mechanism design as a conditional sequence generation task. Our model learns to translate a target curve into a domain-specific language (DSL) string, simultaneously determining the mechanism's topology and geometric parameters in a single, unified process. MechaFormer significantly outperforms existing baselines, achieving state-of-the-art path-matching accuracy and generating a wide diversity of novel and valid designs. We demonstrate a suite of sampling strategies that can dramatically improve solution quality and offer designers valuable flexibility. Furthermore, we show that the high-quality outputs from MechaFormer serve as excellent starting points for traditional optimizers, creating a hybrid approach that finds superior solutions with remarkable efficiency.
• Abstract（参考訳）: 特定の経路を辿る機械的なメカニズムを設計することは、古典的だが悪名高い工学的な問題であり、離散位相と連続パラメータの広大な複雑な探索空間が特徴である。 本稿では,機構設計を条件付きシーケンス生成タスクとして扱うことで,この課題に対処するトランスフォーマーベースモデルであるMechaFormerを紹介する。 我々のモデルは、対象の曲線をドメイン固有言語(DSL)文字列に変換することを学習し、単一の統一プロセスにおいてメカニズムのトポロジと幾何学的パラメータを同時に決定する。 MechaFormerは既存のベースラインを大幅に上回り、最先端のパスマッチングの精度を達成し、斬新で有効な設計の多様性を生み出す。 ソリューションの品質を劇的に改善し、デザイナーに価値ある柔軟性を提供する、一連のサンプリング戦略を示します。 さらに,MechaFormerの高品質なアウトプットは,従来のオプティマイザにとって優れた出発点となり,優れたソリューションと優れた効率性を備えたハイブリッドアプローチが実現可能であることを示す。

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)
• An Interpretable Automated Mechanism Design Framework with Large Language Models [26.89126917895188]
  メカニズムは長い間経済理論の基盤であり、伝統的なアプローチは数学的導出に依存してきた。 支払いとアロケーションを設計するために、ニューラルネットワークを使った微分経済学を含む最近の自動化アプローチが出現している。 コード生成タスクとしてメカニズム設計を再構築する新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-16T12:33:03Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• LInK: Learning Joint Representations of Design and Performance Spaces through Contrastive Learning for Mechanism Synthesis [15.793704096341523]
  本稿では,性能と設計空間のコントラスト学習と最適化手法を統合する新しいフレームワークであるLInKを紹介する。 マルチモーダルおよび変換不変のコントラスト学習フレームワークを活用することで、LInKは複雑な物理学とメカニズムの設計表現をキャプチャする共同表現を学習する。 以上の結果から,LInKは機構設計の分野を進展させるだけでなく,他の工学分野へのコントラスト学習や最適化の適用性も拡大することが示された。
  論文  参考訳（メタデータ） (2024-05-31T03:04:57Z)
• Deep Generative Model-based Synthesis of Four-bar Linkage Mechanisms with Target Conditions [22.164394511786874]
  深層学習に基づく複数クランクロックの4バーリンク機構を生成するための生成モデルを提案する。 提案モデルは, 条件付き生成逆数ネットワーク (cGAN) を基盤として, 機構合成に改良を加えたモデルである。 その結果, 提案モデルでは, 特定のキネマティックおよび準静的な要求を満たす複数の異なるメカニズムが得られた。
  論文  参考訳（メタデータ） (2024-02-22T03:31:00Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Recommender Systems meet Mechanism Design [29.132299904090868]
  提案手法では,入札者の価値分布をトピックモデルで近似できる多項目機構の設計問題を考察する。 このフレームワークの拡張により,話題モデルの表現力を利用して,問題の有効次元を低減できる。
  論文  参考訳（メタデータ） (2021-10-25T00:03:30Z)

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。