論文の概要: Knowledge-guided generative surrogate modeling for high-dimensional design optimization under scarce data

• arxiv url: http://arxiv.org/abs/2603.00052v1
• Date: Tue, 10 Feb 2026 05:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.002225
• Title: Knowledge-guided generative surrogate modeling for high-dimensional design optimization under scarce data
• Title（参考訳）: 不足データに基づく高次元設計最適化のための知識誘導型生成代理モデル
• Authors: Bingran Wang, Seongha Jeong, Sebastiaan P. C. van Schie, Dongyeon Han, Jaeho Min, John T. Hwang,
• Abstract要約: RBF-Genは知識誘導型の代理モデリングフレームワークで、不足するデータとドメイン知識を組み合わせたものです。 RBF-Genは,データスカース設定における1次元および2次元構造最適化問題に対して,標準RBFサロゲートよりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.18472148461613158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surrogate models are widely used in mechanical design and manufacturing process optimization, where high-fidelity computational models may be unavailable or prohibitively expensive. Their effectiveness, however, is often limited by data scarcity, as purely data-driven surrogates struggle to achieve high predictive accuracy in such situations. Subject matter experts (SMEs) frequently possess valuable domain knowledge about functional relationships, yet few surrogate modeling techniques can systematically integrate this information with limited data. We address this challenge with RBF-Gen, a knowledge-guided surrogate modeling framework that combines scarce data with domain knowledge. This method constructs a radial basis function (RBF) space with more centers than training samples and leverages the null space via a generator network, inspired by the principle of maximum information preservation. The introduced latent variables provide a principled mechanism to encode structural relationships and distributional priors during training, thereby guiding the surrogate toward physically meaningful solutions. Numerical studies demonstrate that RBF-Gen significantly outperforms standard RBF surrogates on 1D and 2D structural optimization problems in data-scarce settings, and achieves superior predictive accuracy on a real-world semiconductor manufacturing dataset. These results highlight the potential of combining limited experimental data with domain expertise to enable accurate and practical surrogate modeling in mechanical and process design problems.
• Abstract（参考訳）: サロゲートモデルは機械設計や製造プロセスの最適化に広く使われており、高忠実度計算モデルは利用できないか、違法に高価である。 しかし、それらの効果はデータ不足によって制限されることが多く、純粋なデータ駆動サロゲートはそのような状況下で高い予測精度を達成するのに苦労する。 対象物の専門家(SME)は、しばしば機能的関係に関する貴重なドメイン知識を持っているが、この情報を限られたデータと体系的に統合できる代理モデリング技術はほとんどない。 我々は、少ないデータとドメイン知識を組み合わせた知識誘導型代理モデリングフレームワークRBF-Genでこの問題に対処する。 本手法は、トレーニングサンプルよりも多くの中心を持つ放射基底関数(RBF)空間を構築し、最大情報保存の原理にインスパイアされたジェネレータネットワークを介してヌル空間を利用する。 導入された潜伏変数は、トレーニング中に構造的関係と分布的事前を符号化する原理的なメカニズムを提供する。 数値実験により、RBF-Genは1次元および2次元構造最適化問題において標準RBFサロゲートを著しく上回り、実世界の半導体製造データセットにおいて予測精度に優れることを示した。 これらの結果は、限られた実験データとドメインの専門知識を組み合わせることで、機械的およびプロセス的設計問題における高精度で実用的な代理モデリングを可能にする可能性を強調している。

関連論文リスト

• Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents [3.344730946122235]
  本稿では,Large Language Model (LLM) エージェントを用いてデータ駆動モデリングと分析を自動化する革新的なパイプラインを提案する。 協調エージェントを特徴とするマルチエージェントシステムと、Reasoning and Acting(ReAct)パラダイムに基づく単一エージェントシステムである。
  論文  参考訳（メタデータ） (2025-10-01T19:28:35Z)
• Enhancing material behavior discovery using embedding-oriented Physically-Guided Neural Networks with Internal Variables [0.0]
  内部変数を持つ物理的ガイド付きニューラルネットワークは、トレーニングや内部状態関係の解明に可観測データのみを使用するSciMLツールである。 それらの可能性にもかかわらず、これらのモデルは、細粒度空間場や時間進化システムのような高次元データに適用する場合、スケーラビリティの課題に直面している。 本稿では,これらのスケーラビリティの限界に対処するPGNNIVフレームワークの改良について,低次モデリング手法を用いて提案する。
  論文  参考訳（メタデータ） (2025-08-01T12:33:21Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Data-Driven Surrogate Modeling Techniques to Predict the Effective Contact Area of Rough Surface Contact Problems [39.979007027634196]
  効果的な接触領域は、摩耗、封止、熱伝導や電気伝導といった多物理現象において重要な役割を果たしている。 本研究では,データ駆動手法を高速に評価し,効果的な接触領域を予測するための代理モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T08:15:46Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• DeepFMEA -- A Scalable Framework Harmonizing Process Expertise and Data-Driven PHM [0.0]
  ほとんどの産業環境では、データは量的に制限され、その品質は矛盾することがある。 このギャップを埋めるために、成功する工業化PHMツールは、以前のドメイン専門知識の導入に依存している。 DeepFMEAは、あらゆる技術的システムを分析するための構造化アプローチにおいて、FMEA(Failure Mode and Effects Analysis)からインスピレーションを得ている。
  論文  参考訳（メタデータ） (2024-05-13T09:41:34Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。