論文の概要: Surrogate-Based Differentiable Pipeline for Shape Optimization
- arxiv url: http://arxiv.org/abs/2511.10761v1
- Date: Thu, 13 Nov 2025 19:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.312911
- Title: Surrogate-Based Differentiable Pipeline for Shape Optimization
- Title（参考訳）: 形状最適化のためのサロゲートに基づく微分可能なパイプライン
- Authors: Andrin Rehmann, Nolan Black, Josiah Bjorgaard, Alessandro Angioi, Andrei Paleyes, Niklas Heim, Dion Häfner, Alexander Lavin,
- Abstract要約: 本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。
本研究では、3次元U-Netのフルフィールドサロゲートがメッシュ化とシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実証する。
- 参考スコア（独自算出の注目度）: 64.24199762940444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gradient-based optimization of engineering designs is limited by non-differentiable components in the typical computer-aided engineering (CAE) workflow, which calculates performance metrics from design parameters. While gradient-based methods could provide noticeable speed-ups in high-dimensional design spaces, codes for meshing, physical simulations, and other common components are not differentiable even if the math or physics underneath them is. We propose replacing non-differentiable pipeline components with surrogate models which are inherently differentiable. Using a toy example of aerodynamic shape optimization, we demonstrate an end-to-end differentiable pipeline where a 3D U-Net full-field surrogate replaces both meshing and simulation steps by training it on the mapping between the signed distance field (SDF) of the shape and the fields of interest. This approach enables gradient-based shape optimization without the need for differentiable solvers, which can be useful in situations where adjoint methods are unavailable and/or hard to implement.
- Abstract（参考訳）: 工学設計の勾配に基づく最適化は、典型的なコンピュータ支援工学(CAE)ワークフローにおける微分不可能なコンポーネントによって制限される。
勾配に基づく手法は高次元の設計空間において顕著なスピードアップを提供するが、メッシュ、物理シミュレーション、その他の一般的なコンポーネントの符号は、その下の数学や物理学でも微分できない。
本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。
空力形状最適化のオモチャ例を用いて、3次元U-Netのフルフィールドサロゲートがメッシュとシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実演する。
このアプローチは、微分可能解法を必要とせず、勾配に基づく形状最適化を可能にする。
関連論文リスト
- Differentiation Strategies for Acoustic Inverse Problems: Admittance Estimation and Shape Optimization [0.0]
JAX-FEM の自動微分 (AD) は, スパース圧力測定から複素境界アプタンスを直接的に推定できることを示す。
JAX-FEMを前方シミュレーションに、PyTorch3DをADによるメッシュ操作に組み合わせ、ランダム化有限差分を音響形状最適化に適用する。
論文 参考訳（メタデータ） (2025-11-14T15:46:05Z) - Adjoint-Based Aerodynamic Shape Optimization with a Manifold Constraint Learned by Diffusion Models [12.019764781438603]
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。
論文 参考訳（メタデータ） (2025-07-31T11:21:20Z) - diffSPH: Differentiable Smoothed Particle Hydrodynamics for Adjoint Optimization and Machine Learning [21.05257407408671]
diffSPHは、GPUアクセラレーションを備えたPyTorchで完全に開発された、微分可能なSmoothed Particle Hydrodynamics (SPH)フレームワークである。
diffSPHは、計算流体力学(CFD)における最適化と機械学習(ML)の応用を促進するために、微分を中心に設計されている。
新たなターゲット指向アプローチによるパーティクルシフトに対処するなど,いくつかのアプリケーションを通じて,フレームワークのユニークな機能を実証する。
論文 参考訳（メタデータ） (2025-07-29T10:54:27Z) - Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。
表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。
ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文 参考訳（メタデータ） (2025-07-26T21:28:25Z) - 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) - Flexible Differentiable Optimization via Model Transformations [1.081463830315253]
目的および/または制約に存在する任意のパラメータに関して、最適化問題の解を通じて区別するJuliaライブラリであるDiffOptを紹介する。
論文 参考訳（メタデータ） (2022-06-10T09:59:13Z) - Differentiable Spline Approximations [48.10988598845873]
微分プログラミングは機械学習のスコープを大幅に強化した。
標準的な微分可能なプログラミング手法(autodiffなど)は、通常、機械学習モデルが微分可能であることを要求する。
この再設計されたヤコビアンを予測モデルにおける微分可能な「層」の形で活用することで、多様なアプリケーションの性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-04T16:04:46Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z)
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。