論文の概要: LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis
- arxiv url: http://arxiv.org/abs/2601.04054v1
- Date: Wed, 07 Jan 2026 16:19:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 02:15:23.681129
- Title: LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis
- Title（参考訳）: LinkD:機械的リンク合成のための自己回帰拡散モデル
- Authors: Yayati Jadhav, Amir Barati Farimani,
- Abstract要約: 本稿では,リンケージアセンブリの動的性質を生かした自己回帰拡散フレームワークを提案する。
最大20個のノードを含むリンクシステムのNノードアーキテクチャへの合成に成功した。
- 参考スコア（独自算出の注目度）: 11.69314618713792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing mechanical linkages to achieve target end-effector trajectories presents a fundamental challenge due to the intricate coupling between continuous node placements, discrete topological configurations, and nonlinear kinematic constraints. The highly nonlinear motion-to-configuration relationship means small perturbations in joint positions drastically alter trajectories, while the combinatorially expanding design space renders conventional optimization and heuristic methods computationally intractable. We introduce an autoregressive diffusion framework that exploits the dyadic nature of linkage assembly by representing mechanisms as sequentially constructed graphs, where nodes correspond to joints and edges to rigid links. Our approach combines a causal transformer with a Denoising Diffusion Probabilistic Model (DDPM), both conditioned on target trajectories encoded via a transformer encoder. The causal transformer autoregressively predicts discrete topology node-by-node, while the DDPM refines each node's spatial coordinates and edge connectivity to previously generated nodes. This sequential generation enables adaptive trial-and-error synthesis where problematic nodes exhibiting kinematic locking or collisions can be selectively regenerated, allowing autonomous correction of degenerate configurations during design. Our graph-based, data-driven methodology surpasses traditional optimization approaches, enabling scalable inverse design that generalizes to mechanisms with arbitrary node counts. We demonstrate successful synthesis of linkage systems containing up to 20 nodes with extensibility to N-node architectures. This work advances autoregressive graph generation methodologies and computational kinematic synthesis, establishing new paradigms for scalable inverse design of complex mechanical systems.
- Abstract（参考訳）: 目的のエンドエフェクタ軌道を達成するためのメカニカルリンクの設計は、連続ノード配置、離散トポロジカル構成、非線形キネマティック制約の複雑な結合による根本的な課題である。
非常に非線形な運動-構成関係は、関節位置における小さな摂動が軌道を劇的に変化させることを意味し、組合せ的に拡張された設計空間は、従来の最適化とヒューリスティックな手法を計算的に抽出できる。
本稿では,連結集合の動的性質を利用した自己回帰拡散フレームワークを提案し,その機構を連続的に構築されたグラフとして表現する。
提案手法は,変換器エンコーダを用いて符号化された目標軌道上で,因果変換器とDenoising Diffusion Probabilistic Model (DDPM)を組み合わせたものである。
因果変換器は離散トポロジノードをノード単位で自動回帰予測し、DDPMは各ノードの空間座標と以前に生成されたノードとのエッジ接続を洗練する。
このシーケンシャル・ジェネレーションは、キネマティック・ロックや衝突を示す問題ノードを選択的に再生できる適応的な試行錯誤合成を可能にし、設計中の退化構成の自律的修正を可能にする。
我々のグラフベースのデータ駆動手法は従来の最適化手法を超越し、任意のノード数を持つ機構に一般化するスケーラブルな逆設計を可能にします。
Nノードアーキテクチャの拡張性を備えた最大20ノードのリンクシステムの構築に成功した。
この研究は、自己回帰グラフ生成手法と計算キネマティック合成を進歩させ、複雑な機械系のスケーラブルな逆設計のための新しいパラダイムを確立する。
関連論文リスト
- Deep Delta Learning [91.75868893250662]
本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。
我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。
この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
論文 参考訳（メタデータ） (2026-01-01T18:11:38Z) - Time Extrapolation with Graph Convolutional Autoencoder and Tensor Train Decomposition [9.446359051690292]
非構造格子上のパラメータ化偏微分方程式に対する時間一貫性の縮小次数モデルを開発する。
特に、高忠実度スナップショットは、TT分解によるパラメトリック、空間、時間コアの組み合わせとして表現される。
我々はディープ・オペレーター・ネットワーク(DeepONet)のフレームワークにおける多要素二段階アプローチの開発により一般化性能を向上させる。
熱伝導, 対流拡散, 渦破断現象などの数値計算結果は, 複雑な測地における外挿系における力学を効果的に学習する上で, 優れた性能を示した。
論文 参考訳（メタデータ） (2025-11-28T09:59:17Z) - Tensor Network Framework for Forecasting Nonlinear and Chaotic Dynamics [1.790605517028706]
非線形およびカオス力学を予測するためのテンソルネットワークモデル(TNM)を提案する。
我々は,TNMが短時間の軌道を正確に再構成し,アトラクタ形状を忠実に捉えていることを示す。
論文 参考訳（メタデータ） (2025-11-12T11:49:38Z) - Kuramoto Orientation Diffusion Models [67.0711709825854]
指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。
生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。
一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
論文 参考訳（メタデータ） (2025-09-18T18:18:49Z) - Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。
従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。
タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
論文 参考訳（メタデータ） (2025-09-18T08:13:24Z) - Autoencoder-based non-intrusive model order reduction in continuum mechanics [0.0]
連続体力学における低次モデリングのための非侵入型オートエンコーダに基づくフレームワークを提案する。
i) 教師なしオートエンコーダは、高次元有限要素解をコンパクトな潜在空間に圧縮し、(ii) 教師付き回帰ネットワークは、問題のパラメータを潜在符号にマッピングし、(iii) エンドツーエンドのサロゲートは入力パラメータから直接、フルフィールドの解を再構成する。
論文 参考訳（メタデータ） (2025-09-02T12:05:00Z) - Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks [3.924071936547547]
ゲーテッドニューラルネットワーク(RNN)は、適応的な学習速度の振る舞いを暗黙的に誘発する。
効果は状態空間の時間スケールとパラメータ空間のダイナミクスの結合から生じる。
経験的シミュレーションはこれらの主張を裏付ける。
論文 参考訳（メタデータ） (2025-08-16T18:19:34Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - Nonlinear proper orthogonal decomposition for convection-dominated flows [0.0]
そこで本稿では,自動エンコーダと長期記憶ネットワークを組み合わせたエンドツーエンドのガレルキンフリーモデルを提案する。
我々の手法は精度を向上するだけでなく、トレーニングやテストの計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2021-10-15T18:05:34Z) - Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。
本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-05T02:25:23Z)
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。