論文の概要: GLUE: Generative Latent Unification of Expertise-Informed Engineering Models

• arxiv url: http://arxiv.org/abs/2512.19469v1
• Date: Mon, 22 Dec 2025 15:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.802071
• Title: GLUE: Generative Latent Unification of Expertise-Informed Engineering Models
• Title（参考訳）: GLUE: エキスパートインフォームドエンジニアリングモデルの生成段階的統合
• Authors: Tim Aebersold, Soheyl Massoudi, Mark D. Fuge,
• Abstract要約: GLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。 GLUEは、事前訓練された凍結したサブシステムジェネレータをオーケストレーションし、システムレベルの実現可能性、最適性、多様性を強制する。 5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。
• 参考スコア（独自算出の注目度）: 3.005158583027536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering complex systems (aircraft, buildings, vehicles) requires accounting for geometric and performance couplings across subsystems. As generative models proliferate for specialized domains (wings, structures, engines), a key research gap is how to coordinate frozen, pre-trained submodels to generate full-system designs that are feasible, diverse, and high-performing. We introduce Generative Latent Unification of Expertise-Informed Engineering Models (GLUE), which orchestrates pre-trained, frozen subsystem generators while enforcing system-level feasibility, optimality, and diversity. We propose and benchmark (i) data-driven GLUE models trained on pre-generated system-level designs and (ii) a data-free GLUE model trained online on a differentiable geometry layer. On a UAV design problem with five coupling constraints, we find that data-driven approaches yield diverse, high-performing designs but require large datasets to satisfy constraints reliably. The data-free approach is competitive with Bayesian optimization and gradient-based optimization in performance and feasibility while training a full generative model in only 10 min on a RTX 4090 GPU, requiring more than two orders of magnitude fewer geometry evaluations and FLOPs than the data-driven method. Ablations focused on data-free training show that subsystem output continuity affects coordination, and equality constraints can trigger mode collapse unless mitigated. By integrating unmodified, domain-informed submodels into a modular generative workflow, this work provides a viable path for scaling generative design to complex, real-world engineering systems.
• Abstract（参考訳）: 工学的な複雑なシステム(航空機、建物、車両)は、サブシステム間の幾何学的および性能的な結合を考慮に入れる必要がある。 生成モデルが特別なドメイン(翼、構造、エンジン)のために増殖するにつれて、鍵となる研究のギャップは、凍結された、訓練済みのサブモデルを調整して、実現可能で多様な高性能なシステム設計を生成する方法である。 本稿では,システムレベルの実現可能性,最適性,多様性を図りつつ,事前学習した冷凍サブシステムジェネレータを編成するGLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。 提案とベンチマーク (i)データ駆動型GLUEモデル (ii) 微分可能な幾何学層上でオンライントレーニングされたデータフリーなGLUEモデル。 5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。 データフリーのアプローチは、RTX 4090 GPU上で10分で完全な生成モデルをトレーニングしながら、性能と実現性においてベイズ最適化と勾配に基づく最適化と競合する。 データフリートレーニングに焦点を当てたアブレーションは、サブシステム出力の連続性が調整に影響を及ぼし、等式制約が緩和されない限りモード崩壊を引き起こす可能性があることを示している。 修正されていないドメインインフォームドサブモデルをモジュラー生成ワークフローに統合することにより、この作業は、生成設計を複雑な実世界のエンジニアリングシステムに拡張するための実行可能なパスを提供する。

関連論文リスト

• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Case Studies of Generative Machine Learning Models for Dynamical Systems [0.5499796332553707]
  本稿では,航空機誘導において一般的に理解され,活用される最適制御システムの2つの事例研究に焦点をあてる。 本稿では, 比較的小さな集合, 数百の順序, 基礎となる支配方程式で訓練されたGAIMについて報告する。 新しいモデルは、少量のトレーニングデータにもかかわらず、支配方程式を満たすデータを合成することができ、統計的にトレーニングデータと類似している。
  論文  参考訳（メタデータ） (2025-08-06T13:59:14Z)
• 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)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Online Calibration of Deep Learning Sub-Models for Hybrid Numerical Modeling Systems [34.50407690251862]
  本稿では,ハイブリッドシステムのための効率的かつ実用的なオンライン学習手法を提案する。 オイラー勾配近似(Euler Gradient Approximation)のEGA(Euler Gradient Approximation)と呼ばれる手法は、無限に小さな時間ステップの極限における正確な勾配に収束することを示した。 その結果、オフライン学習よりも大幅に改善され、ハイブリッドモデリングにおけるエンド・ツー・エンドのオンライン学習の可能性を強調した。
  論文  参考訳（メタデータ） (2023-11-17T17:36:26Z)
• NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients [44.89061671579694]
  フェデレートラーニング(FL)は、データのプライバシを保ちながら分散トレーニングを可能にするが、ストラグラーのスローあるいは無効なクライアントは、トレーニング時間を大幅に短縮し、パフォーマンスを低下させる。 深層ニューラルネットワークを深層スケールと幅ワイドスケーリングの両方を用いてサブモデルに効率的に分割するフレームワークであるネスト付きフェデレーションラーニング(NeFL)を提案する。 NeFLは、特に最低ケースのサブモデルでは、ベースラインアプローチに比べてパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-08-15T13:29:14Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• RAFT: Reward rAnked FineTuning for Generative Foundation Model Alignment [32.752633250862694]
  生成基礎モデルは、広範囲の教師なしのトレーニングデータから生じる暗黙のバイアスに影響を受けやすい。 我々は、生成モデルを効果的に整合させるために設計された新しいフレームワーク、Reward rAnked FineTuningを紹介する。
  論文  参考訳（メタデータ） (2023-04-13T18:22:40Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)

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。