論文の概要: Machine learning enables roughness-driven inverse design of milling processes

• arxiv url: http://arxiv.org/abs/2606.16032v1
• Date: Sun, 14 Jun 2026 21:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.000387
• Title: Machine learning enables roughness-driven inverse design of milling processes
• Title（参考訳）: 機械学習はミリングプロセスの粗さ駆動の逆設計を可能にする
• Abstract要約: 本稿では,表面加工プロセスの逆設計のための機械学習(ML)ベースのフレームワークを提案する。 このフレームワークでは、ディープニューラルネットワーク(DNN)とランダムフォレスト(RF)アンサンブルという、2つのMLモデルの前方トレーニングを採用している。 このアプローチは、プロセスパラメータとツールパラメータの両方を考慮して、最高パフォーマンスのミルプロセス構成を特定し、完全なソリューション空間からそれらを提示する。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interest in applying data-driven approaches in manufacturing has grown significantly, particularly for mapping complex, high-dimensional relationships. The milling process is one area where predictive models can link influential parameters to surface roughness metrics prior to in situ operations. While this approach offers clear advantages, it faces challenges due to limited datasets and robustness issues in inverse design paradigms. To address these challenges, this paper proposes a machine learning (ML)-based framework for the inverse design of the surface milling process, with a focus on surface roughness as the design objective. The framework employs forward training of two ML models, a deep neural network (DNN) and a random forest (RF) ensemble, both developed using a high-fidelity synthetic dataset generated from a computational simulation framework. These trained models are integrated into a Bayesian optimization (BO) procedure to overcome the multiplicity problem arising from the many-to-one mapping inherent in the dataset. The approach identifies top-performing milling process configurations, considering both process and tool parameters, and presents them from the full solution space. The models achieve average relative errors below 5% when compared to reference results, thereby demonstrating the robustness and reliability of the proposed methodology.
• Abstract（参考訳）: データ駆動型アプローチを製造業に適用することへの関心は、特に複雑な高次元関係のマッピングに大きく成長している。 精錬プロセスは、予測モデルが影響のあるパラメータを、その場での操作の前に表面粗さの指標にリンクできる領域である。 このアプローチは明確なアドバンテージを提供するが、逆設計パラダイムにおける限られたデータセットと堅牢性の問題のために、課題に直面している。 これらの課題に対処するために,表面粗さを設計目的とする表面加工プロセスの逆設計のための機械学習(ML)ベースのフレームワークを提案する。 このフレームワークでは、ディープニューラルネットワーク(DNN)とランダムフォレスト(RF)アンサンブルという、2つのMLモデルの前方トレーニングを採用している。 これらの訓練されたモデルはベイズ最適化(BO)手順に統合され、データセットに固有の多対一マッピングから生じる乗法問題を克服する。 このアプローチは、プロセスパラメータとツールパラメータの両方を考慮して、最高パフォーマンスのミルプロセス構成を特定し、完全なソリューション空間からそれらを提示する。 その結果,提案手法のロバスト性および信頼性を実証し,基準結果と比較した場合の平均相対誤差を5%以下とした。

関連論文リスト

• Automated Optimization Modeling via a Localizable Error-Driven Perspective [20.591721861026414]
  本稿では,自動最適化のための新しい誤り駆動学習フレームワークを提案する。 MINDはデータ合成からポストトレーニングまで、モデルトレーニングフレームワーク全体をカスタマイズした。 MINDは、最先端の自動化最適化モデリングアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-17T09:59:01Z)
• 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)
• Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
  フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。 このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。 本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
  論文  参考訳（メタデータ） (2025-07-09T19:14:56Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
  ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。 現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。 本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:17:24Z)
• Fairer and More Accurate Tabular Models Through NAS [14.147928131445852]
  本稿では,多目的ニューラルアーキテクチャサーチ (NAS) とハイパーパラメータ最適化 (HPO) を,表データの非常に困難な領域への最初の応用として提案する。 我々はNASで精度のみに最適化されたモデルが、本質的に公正な懸念に対処できないことをしばしば示している。 公平性、正確性、あるいは両方において、最先端のバイアス緩和手法を一貫して支配するアーキテクチャを作成します。
  論文  参考訳（メタデータ） (2023-10-18T17:56:24Z)
• 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)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。