論文の概要: Developing a Multi-Modal Machine Learning Model For Predicting Performance of Automotive Hood Frames

• arxiv url: http://arxiv.org/abs/2508.20358v1
• Date: Thu, 28 Aug 2025 02:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.89721
• Title: Developing a Multi-Modal Machine Learning Model For Predicting Performance of Automotive Hood Frames
• Title（参考訳）: 自動車用フッドフレームの性能予測のためのマルチモーダル機械学習モデルの開発
• Authors: Abhishek Indupally, Satchit Ramnath,
• Abstract要約: 本稿では、同一データの異なるモーダル性から学習し、性能指標を予測するマルチモーダル機械学習アーキテクチャを開発する。 また、MMMLアーキテクチャを用いて、計算コストのかかるシミュレーションへの依存を減らすことにより、エンジニアリング設計プロセスの効率を高めることを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Is there a way for a designer to evaluate the performance of a given hood frame geometry without spending significant time on simulation setup? This paper seeks to address this challenge by developing a multimodal machine-learning (MMML) architecture that learns from different modalities of the same data to predict performance metrics. It also aims to use the MMML architecture to enhance the efficiency of engineering design processes by reducing reliance on computationally expensive simulations. The proposed architecture accelerates design exploration, enabling rapid iteration while maintaining high-performance standards, especially in the concept design phase. The study also presents results that show that by combining multiple data modalities, MMML outperforms traditional single-modality approaches. Two new frame geometries, not part of the training dataset, are also used for prediction using the trained MMML model to showcase the ability to generalize to unseen frame models. The findings underscore MMML's potential in supplementing traditional simulation-based workflows, particularly in the conceptual design phase, and highlight its role in bridging the gap between machine learning and real-world engineering applications. This research paves the way for the broader adoption of machine learning techniques in engineering design, with a focus on refining multimodal approaches to optimize structural development and accelerate the design cycle.
• Abstract（参考訳）: シミュレーション設定にかなりの時間を費やすことなく、設計者が所定のフードフレーム形状の性能を評価する方法はあるのだろうか? 本稿では、同じデータの異なるモーダル性から学習し、パフォーマンス指標を予測するマルチモーダル機械学習(MMML)アーキテクチャを開発することにより、この問題に対処する。 また、MMMLアーキテクチャを用いて、計算コストのかかるシミュレーションへの依存を減らすことにより、エンジニアリング設計プロセスの効率を高めることを目的とする。 提案したアーキテクチャは設計の探索を加速し、特にコンセプト設計フェーズにおいて、高性能な標準を維持しながら迅速なイテレーションを可能にする。 この研究は、複数のデータモダリティを組み合わせることで、MMMLは従来の単一モダリティアプローチよりも優れていることを示す。 トレーニングデータセットの一部ではない2つの新しいフレームジオメトリは、トレーニングされたMMMLモデルを使用して予測し、見えないフレームモデルに一般化する能力を示すために使用される。 この発見は、従来のシミュレーションベースのワークフロー、特に概念設計フェーズを補完するMMMLの可能性を強調し、機械学習と実世界のエンジニアリングアプリケーションの間のギャップを埋めることにおけるその役割を強調している。 この研究は、構造的開発を最適化し、設計サイクルを加速するマルチモーダルアプローチの洗練に焦点をあて、エンジニアリング設計における機械学習技術の広範な採用の道を開く。

関連論文リスト

• Speed Always Wins: A Survey on Efficient Architectures for Large Language Models [51.817121227562964]
  大規模言語モデル(LLM)は、言語理解、生成、推論、マルチモーダルモデルの能力境界の押し付けにおいて、素晴らしい結果をもたらしている。 トランスフォーマーモデルは、現代のLLMの基礎として、優れたスケーリング特性を備えた強力なベースラインを提供する。 従来のトランスフォーマーアーキテクチャは、相当な計算を必要とし、大規模なトレーニングと実践的なデプロイメントに重大な障害を生じさせる。
  論文  参考訳（メタデータ） (2025-08-13T14:13:46Z)
• FUDOKI: Discrete Flow-based Unified Understanding and Generation via Kinetic-Optimal Velocities [76.46448367752944]
  MLLM(Multimodal large language model)は、単一のフレームワーク内で視覚的理解と画像生成を統一する言語である。 ほとんどの既存のMLLMはAutore(AR)アーキテクチャに依存しており、将来の開発に固有の制限を課している。 本稿では,離散フローマッチングに基づく統一マルチモーダルモデルであるFUDOKIを紹介する。
  論文  参考訳（メタデータ） (2025-05-26T15:46:53Z)
• Will Pre-Training Ever End? A First Step Toward Next-Generation Foundation MLLMs via Self-Improving Systematic Cognition [89.50068130832635]
  自己改善認知 (SIcog) は、マルチモーダル知識によって次世代のMLLMを構築するための自己学習フレームワークである。 ステップバイステップの視覚的理解のためのChain-of-Descriptionを提案し、詳細なマルチモーダル推論をサポートするために構造化されたChain-of-Thought(CoT)推論を統合する。 実験は、マルチモーダル認知を増強したMLLMの開発におけるSIcogの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-16T00:25:13Z)
• 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)
• Large Language Model Agent as a Mechanical Designer [7.136205674624813]
  本研究では、FEMモジュールと協調して事前訓練された大規模言語モデル(LLM)を利用して、構造設計を自律的に生成、評価、洗練するフレームワークを提案する。 LLMはドメイン固有の微調整なしで動作し、設計候補を提案し、FEMから派生した性能指標を解釈し、構造的な音響修正を適用する。 NSGA-II (Non-Sorting Genetic Algorithm II) と比較して,本手法はより高速に収束し,より少ないFEM評価を実現する。
  論文  参考訳（メタデータ） (2024-04-26T16:41:24Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• An Augmented Surprise-guided Sequential Learning Framework for Predicting the Melt Pool Geometry [4.021352247826289]
  メタリック・アダプティブ・マニュファクチャリング(MAM)は、複雑な設計、最小限の廃棄物、迅速なプロトタイピング、素材の汎用性、カスタマイズされたソリューションなどの利点を提供する製造業を再構築した。 MAMの成功の重要な側面は、プロセスパラメータとメルトプール特性の関係を理解することである。 従来の機械学習(ML)メソッドは、有効ではあるが、複雑な関係をキャプチャするための大規模なデータセットに依存している。 本研究は,新たなサプライズ誘導型シーケンシャルラーニングフレームワークであるSurpriseAF-BOを導入し,MAMの大幅な変化を示唆するものである。
  論文  参考訳（メタデータ） (2024-01-10T23:05:23Z)

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。