論文の概要: Neural parametric representations for thin-shell shape optimisation

• arxiv url: http://arxiv.org/abs/2604.06612v1
• Date: Wed, 08 Apr 2026 02:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.308261
• Title: Neural parametric representations for thin-shell shape optimisation
• Title（参考訳）: 薄殻形状最適化のためのニューラルパラメトリック表現
• Authors: Xiao Xiao, Fehmi Cirak,
• Abstract要約: 本稿では,周期的活性化関数を持つニューラルネットワークに基づく貝殻中表面のニューラルパラメトリック表現(NRep)を提案する。 NRepによりパラメータ化された薄い殻の形状を最適化するために、構造コンプライアンスの最適化問題を提起する。 得られた形状最適化問題は勾配に基づく最適化アルゴリズムを用いて解く。
• 参考スコア（独自算出の注目度）: 3.8860840464742665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape optimisation of thin-shell structures requires a flexible, differentiable geometric representation suitable for gradient-based optimisation. We propose a neural parametric representation (NRep) for the shell mid-surface based on a neural network with periodic activation functions. The NRep is defined using a multi-layer perceptron (MLP), which maps the parametric coordinates of mid-surface vertices to their physical coordinates. A structural compliance optimisation problem is posed to optimise the shape of a thin-shell parameterised by the NRep subject to a volume constraint, with the network parameters as design variables. The resulting shape optimisation problem is solved using a gradient-based optimisation algorithm. Benchmark examples with classical solutions demonstrate the effectiveness of the proposed NRep. The approach exhibits potential for complex lattice-skin structures, owing to the compact and expressive geometry representation afforded by the NRep.
• Abstract（参考訳）: 薄い殻構造の形状最適化には、勾配に基づく最適化に適したフレキシブルで微分可能な幾何学的表現が必要である。 本稿では,周期的活性化関数を持つニューラルネットワークに基づく貝殻中表面のニューラルパラメトリック表現(NRep)を提案する。 NRepは、中面頂点のパラメトリック座標をそれらの物理座標にマッピングする多層パーセプトロン(MLP)を用いて定義される。 ネットワークパラメータを設計変数として、NRepがボリューム制約の対象とする薄い殻パラメータの形状を最適化するために、構造コンプライアンスの最適化問題を提起する。 得られた形状最適化問題は勾配に基づく最適化アルゴリズムを用いて解く。 古典解のベンチマーク例は提案したNRepの有効性を示している。 このアプローチは、NRepによって与えられるコンパクトで表現力のある幾何学的表現のために、複雑な格子スキン構造の可能性を示す。

関連論文リスト

• Functional Neural Wavefunction Optimization [11.55213641895401]
  本稿では,変分量子モンテカルロにおける最適化アルゴリズムの設計と解析のためのフレームワークを提案する。 このフレームワークは無限次元最適化力学を抽出可能なパラメータ空間アルゴリズムに変換する。 我々は,その実用的妥当性を示す数値実験により,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-14T22:07:38Z)
• FlexPara: Flexible Neural Surface Parameterization [71.65203972602673]
  本稿では,大域的および多角的表面パラメータ化を実現するために,教師なしニューラルネットワーク最適化フレームワークFlexParaを紹介する。 我々は,グローバルパラメータ化のための双方向のサイクルマッピングフレームワークを構築するために,幾何学的に解釈可能な一連のサブネットワークを,特定の機能と巧妙に設計・結合する。 実験は、我々の神経表面パラメータ化パラダイムの普遍性、優越性、およびインスピレーションのポテンシャルを実証する。
  論文  参考訳（メタデータ） (2025-04-27T12:30:08Z)
• Equivariant Deep Weight Space Alignment [54.65847470115314]
  本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。 まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-20T10:12:06Z)
• An Adaptive Tangent Feature Perspective of Neural Networks [4.900298402690262]
  特徴量の線形変換を考察し、パラメータと双線型制約による変換を共同で最適化する。 ニューラルネットワークの構造に特化して、機能がどのように変化し、カーネル関数が変化するかについての洞察を得る。 実ニューラルネットワークのカーネルアライメントにおける理論的観察を検証する。
  論文  参考訳（メタデータ） (2023-08-29T17:57:20Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Deep convolutional neural network for shape optimization using level-set approach [0.0]
  本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。 CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
  論文  参考訳（メタデータ） (2022-01-17T04:41:51Z)
• Progressive Encoding for Neural Optimization [92.55503085245304]
  メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。 最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
  論文  参考訳（メタデータ） (2021-04-19T08:22:55Z)
• Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations [21.64457003420851]
  我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。 本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-11T15:51:04Z)
• The Hidden Convex Optimization Landscape of Two-Layer ReLU Neural Networks: an Exact Characterization of the Optimal Solutions [51.60996023961886]
  コーン制約のある凸最適化プログラムを解くことにより,グローバルな2層ReLUニューラルネットワークの探索が可能であることを示す。 我々の分析は新しく、全ての最適解を特徴づけ、最近、ニューラルネットワークのトレーニングを凸空間に持ち上げるために使われた双対性に基づく分析を活用できない。
  論文  参考訳（メタデータ） (2020-06-10T15:38:30Z)
• Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
  有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。 正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。 高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
  論文  参考訳（メタデータ） (2020-02-25T23:05:33Z)

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。