論文の概要: Guided Diffusion by Optimized Loss Functions on Relaxed Parameters for Inverse Material Design

• arxiv url: http://arxiv.org/abs/2602.15648v1
• Date: Tue, 17 Feb 2026 15:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.104334
• Title: Guided Diffusion by Optimized Loss Functions on Relaxed Parameters for Inverse Material Design
• Title（参考訳）: 逆材料設計のための緩和パラメータに対する最適損失関数による誘導拡散
• Authors: Jens U. Kreber, Christian Weißenfels, Joerg Stueckler,
• Abstract要約: 逆設計問題は工学や材料科学において一般的な問題である。 拡散モデルに基づく新しい逆設計法を提案する。 提案手法は, 誤差マージンの1%以内において, 多様な設計を提案できることを示す。
• 参考スコア（独自算出の注目度）: 4.620353116375784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse design problems are common in engineering and materials science. The forward direction, i.e., computing output quantities from design parameters, typically requires running a numerical simulation, such as a FEM, as an intermediate step, which is an optimization problem by itself. In many scenarios, several design parameters can lead to the same or similar output values. For such cases, multi-modal probabilistic approaches are advantageous to obtain diverse solutions. A major difficulty in inverse design stems from the structure of the design space, since discrete parameters or further constraints disallow the direct use of gradient-based optimization. To tackle this problem, we propose a novel inverse design method based on diffusion models. Our approach relaxes the original design space into a continuous grid representation, where gradients can be computed by implicit differentiation in the forward simulation. A diffusion model is trained on this relaxed parameter space in order to serve as a prior for plausible relaxed designs. Parameters are sampled by guided diffusion using gradients that are propagated from an objective function specified at inference time through the differentiable simulation. A design sample is obtained by backprojection into the original parameter space. We develop our approach for a composite material design problem where the forward process is modeled as a linear FEM problem. We evaluate the performance of our approach in finding designs that match a specified bulk modulus. We demonstrate that our method can propose diverse designs within 1% relative error margin from medium to high target bulk moduli in 2D and 3D settings. We also demonstrate that the material density of generated samples can be minimized simultaneously by using a multi-objective loss function.
• Abstract（参考訳）: 逆設計問題は工学や材料科学において一般的な問題である。 前方方向、すなわち設計パラメータからの出力量の計算は、通常、FEMのような数値シミュレーションを中間ステップとして実行する必要があるが、これはそれ自体が最適化問題である。 多くのシナリオでは、複数の設計パラメータが同じまたは類似の出力値につながることがある。 そのような場合、多モード確率的アプローチは多様な解を得るのに有利である。 逆設計における大きな困難は、離散パラメータやそれ以上の制約が勾配に基づく最適化を直接使用できないため、設計空間の構造に起因している。 そこで本研究では,拡散モデルに基づく新しい逆設計手法を提案する。 提案手法は,従来の設計空間を連続格子表現に緩和し,前方シミュレーションの暗黙的な微分によって勾配を計算する。 拡散モデルは、この緩和されたパラメータ空間上で訓練され、妥当な緩和された設計の先行として機能する。 パラメータは、微分可能シミュレーションによって推論時に指定された目的関数から伝播される勾配を用いて誘導拡散によってサンプリングされる。 設計サンプルは、元のパラメータ空間への後方投影によって得られる。 本研究では, フォワードプロセスが線形FEM問題としてモデル化される複合材料設計問題に対するアプローチを開発する。 所定のバルク率に適合する設計を見つける際に,本手法の有効性を評価する。 提案手法は, 2次元および3次元の設定において, 中～高目標のバルク変調から1%の誤差マージンの範囲内で, 多様な設計を提案できることを実証する。 また,多目的損失関数を用いて,生成した試料の材料密度を同時に最小化できることを実証した。

関連論文リスト

• Surrogate-Based Differentiable Pipeline for Shape Optimization [64.24199762940444]
  本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。 本研究では、3次元U-Netのフルフィールドサロゲートがメッシュ化とシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実証する。
  論文  参考訳（メタデータ） (2025-11-13T19:30:50Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
  ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。 設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。 本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T00:11:53Z)
• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• 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)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。