論文の概要: Generative Design of Ship Propellers using Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2601.21637v1
• Date: Thu, 29 Jan 2026 12:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.815257
• Title: Generative Design of Ship Propellers using Conditional Flow Matching
• Title（参考訳）: 条件付きフローマッチングを用いた船体プロペラの生成設計
• Authors: Patrick Kruger, Rafael Diaz, Simon Hauschulz, Stefan Harries, Hanno Gottschalk,
• Abstract要約: 船舶プロペラ設計における生成人工知能(GenAI)の利用について検討する。 条件付きフローマッチングを用いて、設計パラメータとシミュレートノイズの双方向マッピングを確立する。 ほぼ同じ性能特性を示す異なるプロペラジオメトリの例を示す。
• 参考スコア（独自算出の注目度）: 2.213715905604014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we explore the use of generative artificial intelligence (GenAI) for ship propeller design. While traditional forward machine learning models predict the performance of mechanical components based on given design parameters, GenAI models aim to generate designs that achieve specified performance targets. In particular, we employ conditional flow matching to establish a bidirectional mapping between design parameters and simulated noise that is conditioned on performance labels. This approach enables the generation of multiple valid designs corresponding to the same performance targets by sampling over the noise vector. To support model training, we generate data using a vortex lattice method for numerical simulation and analyze the trade-off between model accuracy and the amount of available data. We further propose data augmentation using pseudo-labels derived from less data-intensive forward surrogate models, which can often improve overall model performance. Finally, we present examples of distinct propeller geometries that exhibit nearly identical performance characteristics, illustrating the versatility and potential of GenAI in engineering design.
• Abstract（参考訳）: 本稿では,船舶プロペラ設計における生成人工知能(GenAI)の利用について検討する。 従来のフォワード機械学習モデルは、与えられた設計パラメータに基づいて機械的コンポーネントのパフォーマンスを予測するが、GenAIモデルは特定のパフォーマンス目標を達成する設計を生成することを目的としている。 特に、条件付きフローマッチングを用いて、設計パラメータと性能ラベルに条件付けされたシミュレートノイズの双方向マッピングを確立する。 このアプローチにより、ノイズベクトルをサンプリングすることで、同じ性能目標に対応する複数の有効な設計を生成できる。 モデルトレーニングを支援するため,渦格子法を用いて数値シミュレーションを行い,モデル精度と利用可能なデータの量とのトレードオフを分析する。 さらに,データ集約型のフォワードサロゲートモデルから派生した擬似ラベルを用いたデータ拡張を提案する。 最後に, 工学設計におけるGenAIの汎用性と可能性について考察し, ほぼ同じ性能特性を示す異なるプロペラジオメトリの例を示す。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
  設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。 非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
  論文  参考訳（メタデータ） (2024-02-13T15:45:20Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Design Target Achievement Index: A Differentiable Metric to Enhance Deep Generative Models in Multi-Objective Inverse Design [4.091593765662773]
  設計目標達成指標(Design Target Achievement Index, DTAI)は、設計者が指定した最小パフォーマンス目標を達成するための設計能力を評価する、微分可能で調整可能な指標である。 DTAIをPaDGAN(Performance-Augmented Diverse GAN)に適用し,ベースラインのDeep Generative Modelよりも優れた生成性能を示す。
  論文  参考訳（メタデータ） (2022-05-06T04:14:34Z)
• Early-Phase Performance-Driven Design using Generative Models [0.0]
  本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。 この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。 生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
  論文  参考訳（メタデータ） (2021-07-19T01:25:11Z)
• Multi-Objective Evolutionary Design of CompositeData-Driven Models [0.0]
  この手法はGPComp@Freeと呼ばれるモデル設計のためのパラメータフリーな遺伝的アルゴリズムに基づいている。 実験結果から, モデル設計に対する多目的アプローチにより, 得られたモデルの多様性と品質が向上することが確認された。
  論文  参考訳（メタデータ） (2021-03-01T20:45:24Z)
• Regularized Autoencoders via Relaxed Injective Probability Flow [35.39933775720789]
  非可逆フローベース生成モデルは、抽出可能な確率計算と推論を可能にしながら、サンプルを生成するための効果的な方法である。 本稿では, モデル上の単射性要件を回避し, 単射性のみを仮定する確率フローに基づく生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-20T18:22:46Z)

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。