論文の概要: Partial Inverse Design of High-Performance Concrete Using Cooperative Neural Networks for Constraint-Aware Mix Generation

• arxiv url: http://arxiv.org/abs/2512.06813v1
• Date: Sun, 07 Dec 2025 12:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.54213
• Title: Partial Inverse Design of High-Performance Concrete Using Cooperative Neural Networks for Constraint-Aware Mix Generation
• Title（参考訳）: 協調型ニューラルネットワークを用いた拘束・認識混合生成のための高性能コンクリートの部分逆設計
• Authors: Agung Nugraha, Heungjun Im, Jihwan Lee,
• Abstract要約: 高性能コンクリートは優れた強度と耐久性を提供するが、多くの相互依存変数と実用的な制約を含む複雑な混合設計を必要とする。 本研究では,高性能コンクリートの部分的逆設計のための協調型ニューラルネットワークフレームワークを提案する。 提案モデルは,0.87-0.92の安定かつ高いR二乗値を実現し,オートエンコーダベースラインと比較して平均二乗誤差を50%低減する。
• 参考スコア（独自算出の注目度）: 2.08099858257632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-performance concrete offers exceptional strength and durability but requires complex mix designs involving many interdependent variables and practical constraints. While data-driven methods have advanced predictive modeling for forward design, inverse design, which focuses on determining mix compositions that achieve target performance, remains limited, particularly in design situations where some mix variables are fixed by constraints and only the remaining variables must be determined. This study proposes a cooperative neural network framework for the partial inverse design of high-performance concrete. The framework combines two coupled neural network models, an imputation model that infers the undetermined variables and a surrogate model that predicts compressive strength. Through cooperative learning, the model generates valid and performance-consistent mix designs in a single forward pass while accommodating different constraint combinations without retraining. Its performance is compared with both probabilistic and generative approaches, including Bayesian inference based on a Gaussian process surrogate and autoencoder-based models. Evaluated on a benchmark dataset, the proposed model achieves stable and higher R-squared values of 0.87-0.92 and reduces mean squared error by an average of 50 percent compared with autoencoder baselines and by an average of 70 percent compared with Bayesian inference. The results demonstrate that the cooperative neural network provides an accurate, robust, and computationally efficient foundation for constraint-aware, data-driven mix proportioning in concrete engineering.
• Abstract（参考訳）: 高性能コンクリートは優れた強度と耐久性を提供するが、多くの相互依存変数と実用的な制約を含む複雑な混合設計を必要とする。 データ駆動型手法は、前方設計のための高度な予測モデルを持つが、特にいくつかの混合変数が制約によって固定され、残りの変数のみが決定される設計状況において、対象性能を達成する混合合成を決定することに焦点を当てた逆設計は限定的である。 本研究では,高性能コンクリートの部分的逆設計のための協調型ニューラルネットワークフレームワークを提案する。 このフレームワークは、2つの結合ニューラルネットワークモデルと、未決定変数を推論する計算モデルと、圧縮強度を予測する代理モデルを組み合わせる。 協調学習を通じて、モデルは、1つの前方パスで有効かつ性能に一貫性のある混合設計を生成し、また、異なる制約の組み合わせを再訓練せずに収容する。 その性能は確率的および生成的アプローチの両方と比較され、ガウス過程の代理とオートエンコーダに基づくモデルに基づくベイズ推論を含む。 ベンチマークデータセットを用いて評価した結果,提案モデルでは, 平均2乗誤差を平均50%, ベイズ推定平均70%削減し, 安定かつ高次2乗誤差を0.87-0.92とした。 その結果, 協調型ニューラルネットワークは, コンクリート工学に比例した制約認識, データ駆動混合のための, 正確で堅牢で, 計算的に効率的な基礎を提供することを示した。

関連論文リスト

• NAN: A Training-Free Solution to Coefficient Estimation in Model Merging [61.36020737229637]
  最適なマージ重み付けは,各モデルに符号化されたタスク固有情報の量とともにスケールする必要があることを示す。 パラメータノルムの逆数を用いてモデルマージ係数を推定する,単純で効果的な手法であるNANを提案する。 NANはトレーニングフリーで、プラグアンドプレイで、幅広いマージ戦略に適用できる。
  論文  参考訳（メタデータ） (2025-05-22T02:46:08Z)
• Joint Explainability-Performance Optimization With Surrogate Models for AI-Driven Edge Services [3.8688731303365533]
  本稿では,複雑なAIモデルの予測精度と代理モデルによる近似とのバランスについて検討する。 我々は,多目的最適化(MOO)に基づく新しいアルゴリズムを導入し,複雑なモデルの予測誤差と,その出力とサロゲートの誤差を同時に最小化する。
  論文  参考訳（メタデータ） (2025-03-10T19:04:09Z)
• Exploring Cross-model Neuronal Correlations in the Context of Predicting Model Performance and Generalizability [2.6708879445664584]
  本稿では,新しいモデルを用いたモデルの性能評価手法を提案する。 提案手法は,1つのネットワーク内の各ニューロンに対して,類似の出力を生成する他のネットワークにニューロンが存在するかどうかを判定することにより相関性を評価する。
  論文  参考訳（メタデータ） (2024-08-15T22:57:39Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Boosting with copula-based components [0.0]
  著者らは、成分がコプラベース回帰モデルであるバイナリ結果に対する新たな加算モデルを提案する。 部品のモデル選択と評価のための適合アルゴリズムと効率的な手順について述べる。
  論文  参考訳（メタデータ） (2022-08-09T11:24:57Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。