論文の概要: AI-Guided Human-In-the-Loop Inverse Design of High Performance Engineering Structures

• arxiv url: http://arxiv.org/abs/2601.10859v1
• Date: Thu, 15 Jan 2026 21:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.29286
• Title: AI-Guided Human-In-the-Loop Inverse Design of High Performance Engineering Structures
• Title（参考訳）: 高性能エンジニアリング構造におけるAI誘導型ヒューマン・イン・ザ・ループ逆設計
• Authors: Dat Quoc Ha, Md Ferdous Alam, Markus J. Buehler, Faez Ahmed, Josephine V. Carstensen,
• Abstract要約: 逆設計ツールは、高性能なエンジニアリング構造のための新しいレベルの改善を実現することができる。 Human-in-the-loop TOアプローチは、デザイン生成プロセスに人間の直感を統合する。 このコントリビューションは、反復的な試行回数を減らすために、機械学習を使用してユーザの好むリージョンを予測するAIコパイロットを提供する。
• 参考スコア（独自算出の注目度）: 4.182541493191528
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Inverse design tools such as Topology Optimization (TO) can achieve new levels of improvement for high-performance engineered structures. However, widespread use is hindered by high computational times and a black-box nature that inhibits user interaction. Human-in-the-loop TO approaches are emerging that integrate human intuition into the design generation process. However, these rely on the time-consuming bottleneck of iterative region selection for design modifications. To reduce the number of iterative trials, this contribution presents an AI co-pilot that uses machine learning to predict the user's preferred regions. The prediction model is configured as an image segmentation task with a U-Net architecture. It is trained on synthetic datasets where human preferences either identify the longest topological member or the most complex structural connection. The model successfully predicts plausible regions for modification and presents them to the user as AI recommendations. The human preference model demonstrates generalization across diverse and non-standard TO problems and exhibits emergent behavior outside the single-region selection training data. Demonstration examples show that the new human-in-the-loop TO approach that integrates the AI co-pilot can improve manufacturability or improve the linear buckling load by 39% while only increasing the total design time by 15 sec compared to conventional simplistic TO.
• Abstract（参考訳）: トポロジ最適化(TO)のような逆設計ツールは、高性能なエンジニアリング構造のための新しいレベルの改善を実現することができる。 しかし、高い計算時間とユーザインタラクションを阻害するブラックボックスの性質によって、広く利用されていることが妨げられている。 ヒューマン・イン・ザ・ループ デザイン生成プロセスに人間の直感を統合するアプローチが登場している。 しかし、これらは設計変更において反復的な領域選択の時間を要するボトルネックに依存している。 このコントリビューションは、反復的な試行回数を減らすために、機械学習を使用してユーザの好むリージョンを予測するAIコパイロットを提供する。 予測モデルは、U-Netアーキテクチャによるイメージセグメンテーションタスクとして構成される。 人間の嗜好が最も長いトポロジカルなメンバーまたは最も複雑な構造的つながりを識別する合成データセットに基づいて訓練される。 このモデルは修正可能な領域をうまく予測し、AIレコメンデーションとしてユーザに提示する。 人選好モデルは多種多様な非標準TO問題にまたがる一般化を示し、単一領域選択訓練データ以外の創発的な行動を示す。 デモの例では、AIコパイロットを統合した新しいHuman-in-the-loop TOアプローチが、製造性を改善したり、線形座屈荷重を39%向上する一方で、設計全体の時間を従来の単純化TOと比べて15秒だけ短縮できることを示している。

関連論文リスト

• Learning Design-Score Manifold to Guide Diffusion Models for Offline Optimization [15.663508678977468]
  本稿では,設計スコア多様体を学習する拡散型フレームワークであるManGOを紹介する。 ManGOは、トレーニングデータ以外の一般化を実現するために、設計スコアの相互依存を全体的に統一する。 様々な領域にわたる24の単目的と10の多目的の最適化手法より優れている。
  論文  参考訳（メタデータ） (2025-06-06T02:11:10Z)
• Modeling and Optimizing User Preferences in AI Copilots: A Comprehensive Survey and Taxonomy [5.985777189633703]
  AIコパイロは、複雑でコンテキストに富んだタスクでユーザを支援するように設計された、AI駆動システムの新世代を表す。 このパーソナライゼーションの中心は、好みの最適化である。システムの個々のユーザの好みを検出し、解釈し、調整する能力である。 この調査は、AIコパイロにおけるユーザの嗜好がどのように運用されているかを調べる。
  論文  参考訳（メタデータ） (2025-05-28T02:52:39Z)
• PROFIT: A Specialized Optimizer for Deep Fine Tuning [8.303565426823674]
  ProFITは、新しいタスクやデータセットの収束モデルをインクリメンタルに微調整するように設計された最初の1つである。 PROFITは、最適化プロセスの規則化を明示的に考慮し、収束モデルの性質を考慮に入れます。 画像分類からマルチモーダル言語モデルトレーニング,大規模動作予測に至るまで,様々なタスクにおける微調整手法より優れている。
  論文  参考訳（メタデータ） (2024-12-02T19:37:34Z)
• 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)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• 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)
• Image-based Artificial Intelligence empowered surrogate model and shape morpher for real-time blank shape optimisation in the hot stamping process [3.264571107058741]
  本研究は,画像に基づく人工インテリジェンスを用いたサロゲートモデリング (IAISM) 手法の開発である。 IAISMは任意の空白形状を与えられた as-formed コンポーネントの完全な薄めフィールドを予測するために訓練される。 高精度で汎用的なサロゲートモデリングおよび最適化ツールとして、提案されたパイプラインは、フルチェーンのデジタルツインに統合されることを約束している。
  論文  参考訳（メタデータ） (2022-12-01T20:17:48Z)
• An Adaptive and Scalable ANN-based Model-Order-Reduction Method for Large-Scale TO Designs [22.35243726859667]
  トポロジ最適化(TO)は、興味のある最適な性能で構造設計を得るための体系的なアプローチを提供する。 ディープラーニングベースのモデルは、プロセスの高速化のために開発されている。 MapNetは、粗いスケールから細かいスケールまでの関心領域をマッピングするニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-03-20T10:12:24Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• 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。