論文の概要: Generative Parametric Design (GPD): A framework for real-time geometry generation and on-the-fly multiparametric approximation

• arxiv url: http://arxiv.org/abs/2512.11748v1
• Date: Fri, 12 Dec 2025 17:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.859256
• Title: Generative Parametric Design (GPD): A framework for real-time geometry generation and on-the-fly multiparametric approximation
• Title（参考訳）: Generative Parametric Design (GPD): リアルタイム幾何生成とオンザフライマルチパラメトリック近似のためのフレームワーク
• Authors: Mohammed El Fallaki Idrissi, Jad Mounayer, Sebastian Rodriguez, Fodil Meraghni, Francisco Chinesta,
• Abstract要約: 本稿では、GPD(Generative Parametric Design)と呼ばれる新しいフレームワークを導入することにより、シミュレーションに基づくエンジニアリング科学の新しいパラダイムを提案する。 GPDフレームワークは、対応するパラメトリックソリューションとともに、還元基底として与えられる新しい設計の生成を可能にする。
• 参考スコア（独自算出の注目度）: 2.7272243864089654
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents a novel paradigm in simulation-based engineering sciences by introducing a new framework called Generative Parametric Design (GPD). The GPD framework enables the generation of new designs along with their corresponding parametric solutions given as a reduced basis. To achieve this, two Rank Reduction Autoencoders (RRAEs) are employed, one for encoding and generating the design or geometry, and the other for encoding the sparse Proper Generalized Decomposition (sPGD) mode solutions. These models are linked in the latent space using regression techniques, allowing efficient transitions between design and their associated sPGD modes. By empowering design exploration and optimization, this framework also advances digital and hybrid twin development, enhancing predictive modeling and real-time decision-making in engineering applications. The developed framework is demonstrated on two-phase microstructures, in which the multiparametric solutions account for variations in two key material parameters.
• Abstract（参考訳）: 本稿では,GPD(Generative Parametric Design)と呼ばれる新しいフレームワークを導入することにより,シミュレーションに基づくエンジニアリング科学の新しいパラダイムを提案する。 GPDフレームワークは、対応するパラメトリックソリューションとともに、還元基底として与えられる新しい設計の生成を可能にする。 これを実現するために、2つのランクダウンオートエンコーダ(RRAE)が採用され、1つは設計や幾何学を符号化および生成し、もう1つはスパース・プロパー一般化分解(sPGD)モード解を符号化する。 これらのモデルは回帰手法を用いて遅延空間にリンクされ、設計と関連するsPGDモード間の効率的な遷移を可能にする。 設計の探索と最適化の強化により、このフレームワークはデジタルとハイブリッドの双子の開発も進め、エンジニアリングアプリケーションにおける予測モデリングとリアルタイムな意思決定を強化している。 開発したフレームワークは, 2つの主要な材料パラメータの変動を多パラメータ解が考慮する2相マイクロ構造上で実証された。

関連論文リスト

• Variational Rank Reduction Autoencoders for Generative [2.099922236065961]
  複雑なジオメトリーのための生成熱設計は、工学の多くの分野において基本的なものである。 高忠実度シミュレーションの計算コストと従来の生成モデルの限界という2つの大きな課題に直面している。 本稿では,変分ランク自動エンコーダ(VRRAE)とDeep Operator Networks(DeepONets)を組み合わせたハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-10T11:45:40Z)
• Generative Human Geometry Distribution [49.58025398670139]
  我々は、最近提案された、高忠実度で単一の人間の幾何学をモデル化可能な、幾何学的分布に基づいて構築する。 本稿では,ネットワークパラメータではなく2次元特徴写像として分布を符号化する手法と,ガウスではなく領域としてSMPLモデルを提案する。 実験の結果,提案手法は既存の最先端手法よりも優れており,幾何学的品質が57%向上していることがわかった。
  論文  参考訳（メタデータ） (2025-03-03T11:55:19Z)
• e-SimFT: Alignment of Generative Models with Simulation Feedback for Pareto-Front Design Exploration [6.085974259020175]
  シミュレーション微調整生成モデルを用いた設計探索のための新しいフレームワークを提案する。 まず、Large Language Models (LLMs) 向けに開発された好みアライメント手法を採用し、エンジニアリング設計のための生成モデルを微調整する最初の応用例を示す。
  論文  参考訳（メタデータ） (2025-02-04T16:17:22Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Handling geometrical variability in nonlinear reduced order modeling through Continuous Geometry-Aware DL-ROMs [0.6827423171182154]
  幾何学的パラメータ化問題に対する連続幾何対応DL-ROM(CGA-DL-ROM)を提案する。 CGA-DL-ROMは、幾何学的パラメトリゼーションを認識する強い誘導バイアスを持つ。
  論文  参考訳（メタデータ） (2024-11-08T11:32:33Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
  本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。 GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
  論文  参考訳（メタデータ） (2024-07-10T12:50:43Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• MO-PaDGAN: Reparameterizing Engineering Designs for Augmented Multi-objective Optimization [13.866787416457454]
  多目的最適化は多くのエンジニアリング設計問題を解決する上で鍵となる。 深い生成モデルはコンパクトなデザイン表現を学ぶことができる。 Mo-PaDGANは、生成的対向ネットワークに決定的ポイントプロセスに基づく損失関数を追加する。
  論文  参考訳（メタデータ） (2020-09-15T13:58:31Z)

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。