Fugu-MT 論文翻訳(概要): TabPFN for Zero-shot Parametric Engineering Design Generation

論文の概要: TabPFN for Zero-shot Parametric Engineering Design Generation

arxiv url: http://arxiv.org/abs/2602.02735v1
Date: Mon, 02 Feb 2026 19:51:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:15.049497
Title: TabPFN for Zero-shot Parametric Engineering Design Generation
Title（参考訳）: ゼロショットパラメトリックエンジニアリング設計生成のためのTabPFN
Authors: Ke Wang, Yifan Tang, Nguyen Gia Hien Vu, Faez Ahmed, G. Gary Wang,
Abstract要約: 本稿では,TabPFNに基づくパラメトリックエンジニアリング設計のためのゼロショット生成フレームワークを提案する。提案手法は,目標性能指標に基づいて逐次条件付き設計パラメータを生成する。拡散型生成モデルと比較して,提案手法は計算オーバーヘッドとデータ要求を大幅に削減する。
参考スコア（独自算出の注目度）: 8.681307193373241
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Deep generative models for engineering design often require substantial computational cost, large training datasets, and extensive retraining when design requirements or datasets change, limiting their applicability in real-world engineering design workflow. In this work, we propose a zero-shot generation framework for parametric engineering design based on TabPFN, enabling conditional design generation using only a limited number of reference samples and without any task-specific model training or fine-tuning. The proposed method generates design parameters sequentially conditioned on target performance indicators, providing a flexible alternative to conventional generative models. The effectiveness of the proposed approach is evaluated on three engineering design datasets, i.e., ship hull design, BlendedNet aircraft, and UIUC airfoil. Experimental results demonstrate that the proposed method achieves competitive diversity across highly structured parametric design spaces, remains robust to variations in sampling, resolution and parameter dimensionality of geometry generation, and achieves a low performance error (e.g., less than 2% in generated ship hull designs' performance). Compared with diffusion-based generative models, the proposed framework significantly reduces computational overhead and data requirements while preserving reliable generation performance. These results highlight the potential of zero-shot, data-efficient generation as a practical and efficient tool for engineering design, enabling rapid deployment, flexible adaptation to new design settings, and ease of integration into real-world engineering workflows.
Abstract（参考訳）: エンジニアリング設計のための深層生成モデルは、しばしば相当な計算コスト、大規模なトレーニングデータセット、設計要求やデータセットの変更時に広範な再トレーニングを必要とし、現実のエンジニアリング設計ワークフローにおける適用性を制限する。本研究では,TabPFNをベースとしたパラメトリックエンジニアリング設計のためのゼロショット生成フレームワークを提案する。提案手法は,目標性能指標に基づいて逐次条件付き設計パラメータを生成し,従来の生成モデルに代わるフレキシブルな代替手段を提供する。提案手法の有効性は,船体設計,BlendedNet航空機,UIUC翼の3つの設計データセットで評価される。実験により,提案手法は高度に構造化されたパラメトリックな設計空間にまたがる競争的多様性を実現し,サンプリング,解像度,パラメータ次元の変動に頑健であり,低い性能誤差(船体設計における2%未満)を達成できることを示した。拡散型生成モデルと比較して,提案フレームワークは信頼性の高い生成性能を維持しつつ,計算オーバーヘッドとデータ要求を大幅に低減する。これらの結果は、ゼロショットでデータ効率のよいエンジニアリング設計ツールとしての可能性を強調し、迅速なデプロイメントを可能にし、新しいデザイン設定へのフレキシブルな適応を可能にし、現実世界のエンジニアリングワークフローへの統合を容易にする。

関連論文リスト

RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints [5.694916746852312]
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。
論文参考訳（メタデータ） (2026-01-30T23:04:05Z)
Generative Design of Ship Propellers using Conditional Flow Matching [2.213715905604014]
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。
論文参考訳（メタデータ） (2026-01-29T12:40:37Z)
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)
Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文参考訳（メタデータ） (2024-03-20T00:41:12Z)
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)
Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-10-07T02:12:34Z)
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。