論文の概要: HeatGen: A Guided Diffusion Framework for Multiphysics Heat Sink Design Optimization

• arxiv url: http://arxiv.org/abs/2511.09578v1
• Date: Fri, 14 Nov 2025 01:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.345918
• Title: HeatGen: A Guided Diffusion Framework for Multiphysics Heat Sink Design Optimization
• Title（参考訳）: HeatGen: マルチ物理熱シンク設計最適化のためのガイド付き拡散フレームワーク
• Authors: Hadi Keramati, Morteza Sadeghi, Rajeev K. Jaiman,
• Abstract要約: ジオメトリは複数のフィンの境界表現を用いて表現される。 本研究では, 偏波拡散確率モデルを訓練し, 観測値と一致した特性のヒートシンクを生成する。 我々は2つの異なる残留ニューラルネットワークを訓練し、各幾何学における圧力降下と表面温度を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a generative optimization framework based on a guided denoising diffusion probabilistic model (DDPM) that leverages surrogate gradients to generate heat sink designs minimizing pressure drop while maintaining surface temperatures below a specified threshold. Geometries are represented using boundary representations of multiple fins, and a multi-fidelity approach is employed to generate training data. Using this dataset, along with vectors representing the boundary representation geometries, we train a denoising diffusion probabilistic model to generate heat sinks with characteristics consistent with those observed in the data. We train two different residual neural networks to predict the pressure drop and surface temperature for each geometry. We use the gradients of these surrogate models with respect to the design variables to guide the geometry generation process toward satisfying the low-pressure and surface temperature constraints. This inference-time guidance directs the generative process toward heat sink designs that not only prevent overheating but also achieve lower pressure drops compared to traditional optimization methods such as CMA-ES. In contrast to traditional black-box optimization approaches, our method is scalable, provided sufficient training data is available. Unlike traditional topology optimization methods, once the model is trained and the heat sink world model is saved, inference under new constraints (e.g., temperature) is computationally inexpensive and does not require retraining. Samples generated using the guided diffusion model achieve pressure drops up to 10 percent lower than the limits obtained by traditional black-box optimization methods. This work represents a step toward building a foundational generative model for electronics cooling.
• Abstract（参考訳）: 本研究では,表層温度を一定値以下に保ちつつ,圧力降下を最小限に抑えるため,サーロゲート勾配を利用してヒートシンク設計を行うDDPMモデルに基づく生成的最適化手法を提案する。 複数のフィンの境界表現を用いてジオメトリを表現し、トレーニングデータを生成するために多忠実なアプローチを用いる。 このデータセットと境界表現ジオメトリを表すベクトルを用いて、偏波拡散確率モデルを訓練し、データで観測されたものと一致した特性を持つヒートシンクを生成する。 我々は2つの異なる残留ニューラルネットワークを訓練し、各幾何学における圧力降下と表面温度を予測する。 設計変数に関して,これらの代理モデルの勾配を用いて,低圧および表面温度制約を満たすための幾何生成プロセスを導出する。 この推定時間誘導は、過熱を防ぐだけでなく、CMA-ESのような従来の最適化手法に比べて低い圧力降下を達成するヒートシンク設計に向けた生成過程を誘導する。 従来のブラックボックス最適化手法とは対照的に,我々の手法はスケーラブルであり,十分なトレーニングデータが利用可能である。 従来のトポロジー最適化法とは異なり、モデルがトレーニングされ、ヒートシンクの世界モデルが保存されると、新しい制約(例えば温度)の下での推論は計算コストが低く、再訓練を必要としない。 誘導拡散モデルを用いて生成されたサンプルは、従来のブラックボックス最適化法で得られた限界よりも最大10%低い圧力降下を達成する。 本研究は, 電子冷却の基礎的生成モデルの構築に向けたステップである。

関連論文リスト

• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• Multi-Stage Graph Neural Networks for Data-Driven Prediction of Natural Convection in Enclosed Cavities [0.0]
  グラフニューラルネットワーク(GNN)は、シミュレーションデータから直接熱流体挙動を学ぶための新しい代替手段を提供する。 本稿では,階層的なプールとアンプール操作を利用してグローバル-ローカル相互作用を段階的にモデル化する,新しい多段階GNNアーキテクチャを提案する。 実験により,提案モデルにより予測精度が向上し,訓練効率が向上し,長期誤差の蓄積が減少した。
  論文  参考訳（メタデータ） (2025-09-07T13:05:39Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。 高忠実CHT数値シミュレーションは計算集約的である。 我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込みニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Machine learning based surrogate models for microchannel heat sink optimization [0.0]
  本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。 ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
  論文  参考訳（メタデータ） (2022-08-20T13:49:11Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Heat Conduction Plate Layout Optimization using Physics-driven Convolutional Neural Networks [14.198900757461555]
  熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。 データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。 本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-21T10:43:57Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。