論文の概要: RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints

• arxiv url: http://arxiv.org/abs/2602.00384v1
• Date: Fri, 30 Jan 2026 23:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.148874
• Title: RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints
• Title（参考訳）: パラメータ制約と性能を考慮したパラメトリックエンジニアリング設計のためのRePaint-Enhanced Conditional Diffusion Model
• Authors: Ke Wang, Nguyen Gia Hien Vu, Yifan Tang, Mostafa Rahmani Dehaghani, G. Gary Wang,
• Abstract要約: 本稿では、事前訓練された性能誘導型拡散確率モデル(DDPM)を統合するRePaint拡張フレームワークを提案する。 提案手法は, 基礎となるモデルを再学習することなく, 部分参照設計に基づいて, 欠落設計部品の生成を可能にする。 この枠組みは、船体設計と翼設計という2つの代表的な設計上の問題で評価されている。
• 参考スコア（独自算出の注目度）: 5.694916746852312
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a RePaint-enhanced framework that integrates a pre-trained performance-guided denoising diffusion probabilistic model (DDPM) for performance- and parameter-constraint engineering design generation. The proposed method enables the generation of missing design components based on a partial reference design while satisfying performance constraints, without retraining the underlying model. By applying mask-based resampling during inference process, RePaint allows efficient and controllable repainting of partial designs under both performance and parameter constraints, which is not supported by conventional DDPM-base methods. The framework is evaluated on two representative design problems, parametric ship hull design and airfoil design, demonstrating its ability to generate novel designs with expected performance based on a partial reference design. Results show that the method achieves accuracy comparable to or better than pre-trained models while enabling controlled novelty through fixing partial designs. Overall, the proposed approach provides an efficient, training-free solution for parameter-constraint-aware generative design in engineering applications.
• Abstract（参考訳）: 本稿では,事前学習した性能誘導型拡散確率モデル(DDPM)を統合したRePaint拡張フレームワークを提案する。 提案手法は, 性能制約を満たすことなく, 部分参照設計に基づく設計部品の欠落を, 基礎となるモデルを再学習することなく生成することを可能にする。 推論プロセス中にマスクベースの再サンプリングを適用することで、RePaintは、従来のDDPMベースメソッドではサポートされていない性能制約とパラメータ制約の両方の下で、部分設計の効率的かつ制御可能な再描画を可能にする。 この枠組みはパラメトリック船体設計と翼設計という2つの代表的な設計問題に基づいて評価され、部分的な参照設計に基づいて期待された性能で新規な設計を生成する能力を示す。 その結果, 本手法は, 部分的設計の修正による新規性制御を実現しつつ, 事前学習モデルに匹敵する精度を達成できることが示唆された。 全体として、提案手法は、工学的応用におけるパラメータ制約を考慮した生成設計のための、効率的でトレーニング不要なソリューションを提供する。

関連論文リスト

• Partial Inverse Design of High-Performance Concrete Using Cooperative Neural Networks for Constraint-Aware Mix Generation [2.08099858257632]
  高性能コンクリートは、相互依存変数と実用的な制約を含む複雑な混合設計決定を必要とする。 本研究では,高性能コンクリートの部分的逆設計のための協調型ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-07T12:14:56Z)
• A Reward-Directed Diffusion Framework for Generative Design Optimization [0.0]
  本研究は, 高精度な工学設計を実現するため, 微調整拡散モデルと報酬指向サンプリングに基づく。 提案手法は, 訓練データ分布を超えるサンプルを生成し, 船体設計の抵抗率を25%以上低減し, 2次元翼設計のリフト・アンド・ドラッグ比を10%以上改善する。
  論文  参考訳（メタデータ） (2025-08-02T22:19:02Z)
• Toward using explainable data-driven surrogate models for treating performance-based seismic design as an inverse engineering problem [0.0]
  本研究では, 逆工学的問題として, 性能に基づく耐震設計を扱う手法を提案する。 説明可能な機械学習モデルを実装することで、この方法論は、設計変数とパフォーマンスメトリクスを直接マッピングする。 開発された手法は、ロサンゼルスとチャールストンの鋼鉄とコンクリートモーメントフレームの2つの異なる在庫に適用される。
  論文  参考訳（メタデータ） (2025-08-01T03:08:19Z)
• SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
  本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。 本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。 本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
  論文  参考訳（メタデータ） (2024-09-10T16:44:47Z)
• 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)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• 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)
• Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
  本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。 本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
  論文  参考訳（メタデータ） (2022-01-31T02:27:25Z)
• 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。