論文の概要: When AI Bends Metal: AI-Assisted Optimization of Design Parameters in Sheet Metal Forming

• arxiv url: http://arxiv.org/abs/2511.22302v1
• Date: Thu, 27 Nov 2025 10:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.509793
• Title: When AI Bends Metal: AI-Assisted Optimization of Design Parameters in Sheet Metal Forming
• Title（参考訳）: AIが金属を曲げたとき: 板金成形における設計パラメータの最適化を支援するAI
• Authors: Ahmad Tarraf, Koutaiba Kassem-Manthey, Seyed Ali Mohammadi, Philipp Martin, Lukas Moj, Semih Burak, Enju Park, Christian Terboven, Felix Wolf,
• Abstract要約: 本稿では,ベイズ最適化を用いて,パラメータ最適化における専門家の関与を減らすAI支援ワークフローを提案する。 ディープラーニングモデルは、最適化サイクルが終了条件を満たすまで設計を反復的に洗練する初期パラメータ推定を提供する。 本稿は, シートメタル形成プロセスに基づくアプローチを実証し, 専門家による関与の必要性を低減しつつ, 設計空間の探索を加速させる方法を示す。
• 参考スコア（独自算出の注目度）: 0.4347560796121297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical simulations have revolutionized the industrial design process by reducing prototyping costs, design iterations, and enabling product engineers to explore the design space more efficiently. However, the growing scale of simulations demands substantial expert knowledge, computational resources, and time. A key challenge is identifying input parameters that yield optimal results, as iterative simulations are costly and can have a large environmental impact. This paper presents an AI-assisted workflow that reduces expert involvement in parameter optimization through the use of Bayesian optimization. Furthermore, we present an active learning variant of the approach, assisting the expert if desired. A deep learning model provides an initial parameter estimate, from which the optimization cycle iteratively refines the design until a termination condition (e.g., energy budget or iteration limit) is met. We demonstrate our approach, based on a sheet metal forming process, and show how it enables us to accelerate the exploration of the design space while reducing the need for expert involvement.
• Abstract（参考訳）: 数値シミュレーションは、プロトタイピングコスト、設計イテレーションを削減し、製品エンジニアが設計空間をより効率的に探索できるようにすることで、産業設計プロセスに革命をもたらした。 しかし、シミュレーションの規模が大きくなるには、かなりの専門知識、計算資源、時間が必要である。 重要な課題は、反復シミュレーションがコストが高く、環境に大きな影響を与える可能性があるため、最適な結果をもたらす入力パラメータを特定することである。 本稿では,ベイズ最適化を用いて,パラメータ最適化における専門家の関与を減らすAI支援ワークフローを提案する。 さらに,本手法の積極的学習変種を提示し,必要に応じて専門家を支援する。 ディープラーニングモデルは、最適化サイクルが終了条件(例えば、エネルギー予算またはイテレーション制限)が満たされるまで設計を反復的に洗練する初期パラメータ推定を提供する。 本稿は, シートメタル形成プロセスに基づくアプローチを実証し, 専門家による関与の必要性を低減しつつ, 設計空間の探索を加速させる方法を示す。

関連論文リスト

• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models [5.642568057913696]
  本稿では,大規模言語モデル(LLM)とベイジアン最適化を統合したアナログ設計最適化手法であるADO-LLMを提案する。 ADO-LLMは、LLMのドメイン知識を注入して実行可能な設計ポイントを迅速に生成し、高価値な設計領域を見つけるためのBOの非効率性を改善する能力を活用している。 提案手法を2種類のアナログ回路上で評価し,設計効率と性能の顕著な向上を実証した。
  論文  参考訳（メタデータ） (2024-06-26T21:42:50Z)
• DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
  我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。 我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
  論文  参考訳（メタデータ） (2023-07-10T13:01:27Z)
• Optimization for truss design using Bayesian optimization [1.5070398746522742]
  トラスの形状は、積載量を決定する上で支配的な要素である。 与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。 設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
  論文  参考訳（メタデータ） (2023-05-27T10:28:27Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)

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。