論文の概要: eCNNTO: A Highly Generalizable ConvNet for Accelerating Topology Optimization
- arxiv url: http://arxiv.org/abs/2606.19921v1
- Date: Thu, 18 Jun 2026 08:17:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.726323
- Title: eCNNTO: A Highly Generalizable ConvNet for Accelerating Topology Optimization
- Title（参考訳）: eCNNTO: トポロジ最適化を高速化するための高一般化可能なConvNet
- Authors: Shengbiao Lu, Xiaodong Wei,
- Abstract要約: 本研究では、密度ベーストポロジ最適化(TO)を高速化する要素ベース畳み込みニューラルネットワーク(CNN)を提案する。
eCNNTOはトレーニングに小さなデータセットしか必要としないが、境界条件やロードケース、設計ドメインのジオメトリ、メッシュの解決、非設計ドメインといった問題に一般化することができる。
最終的に、eCNNTOの一般化能力と効率は、2次元と3次元の様々な例を通して示され、それぞれ最大90%と97%のイテレーションの削減を実現している。
- 参考スコア（独自算出の注目度）: 0.20052993723676893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes an element-based Convolutional Neural Network (CNN) to accelerate density-based Topology Optimization (TO), termed eCNNTO. TO generally undergoes a large number of iterations, where finite element analysis is performed in every iteration, leading to the efficiency bottleneck especially when dense meshes are used to achieve high-resolution designs. To address this limitation, eCNNTO is proposed to build upon Kallioras et al. (2020), where a Deep Belief Network (DBN) was trained for every element to predict its near-optimal density from its early history, thereby skipping the great majority of iterations and significantly accelerating the TO procedure. However, the method lacks spatial correlations among neighboring elements and may lead to disconnected features in the final structure. The proposed method employs CNN with residual connections to address this issue. On top of it, a novel training strategy is introduced to further enhance the optimization efficiency, where the training dataset consists of the final stage density histories rather than early ones. This change can also help reduce the required training data size. eCNNTO requires only a small dataset to train and yet it can be generalized to problems with largely different boundary conditions, loading cases, design domain geometries, mesh resolutions, as well as non-design domains. In the end, the generalization capabilities and efficiency of eCNNTO are demonstrated through a variety of examples in two and three dimensions, achieving up to 90% and 97% reduction of iterations, respectively.
- Abstract（参考訳）: 本研究は,eCNNTOと呼ばれる密度ベーストポロジ最適化(TO)を高速化する要素ベース畳み込みニューラルネットワーク(CNN)を提案する。
一般に、有限要素解析が各イテレーションで実行され、特に高精細なメッシュを使用して高精細な設計を行う場合、効率のボトルネックとなるような、多数のイテレーションを実行する。
この制限に対処するため、eCNNTO は Kallioras et al (2020) 上に構築され、Deep Belief Network (DBN) が全ての要素に対して初期からほぼ最適密度を予測できるように訓練された。
しかし, この手法は近傍の要素間の空間的相関を欠き, 最終構造に不連結な特徴をもたらす可能性がある。
提案手法では,CNNと残差接続を併用してこの問題に対処する。
さらに、トレーニングデータセットは、初期ではなく最終段階の密度履歴で構成されているため、最適化効率をさらに向上するために、新たなトレーニング戦略が導入されている。
この変更は、必要なトレーニングデータサイズの削減にも役立ちます。
eCNNTOはトレーニングに小さなデータセットのみを必要とするが、ほとんど異なる境界条件、ロードケース、設計ドメインのジオメトリ、メッシュの解決、非設計ドメインの問題に一般化することができる。
最終的に、eCNNTOの一般化能力と効率は、2次元と3次元の様々な例を通して示され、それぞれ最大90%と97%のイテレーションの削減を実現している。
関連論文リスト
- Graph Neural Network-Informed Predictive Flows for Faster Ford-Fulkerson and PAC-Learnability [0.0]
本稿では,グラフニューラルネットワーク(GNN)とFord-Fulkersonアルゴリズムを統合することにより,最大フローと画像セグメンテーションを高速化する学習フレームワークを提案する。
本稿では,ノードとエッジの埋め込みを共同で学習するMPGNN(Message Passing GNN)を提案する。
また、フローウォームスタートとエッジプライオリティ予測を組み合わせたハイブリッド拡張を概説し、画像セグメンテーションにおける学習誘導最適化の基礎を確立した。
論文 参考訳（メタデータ） (2026-04-23T00:45:32Z) - Neural Network Optimization Reimagined: Decoupled Techniques for Scratch and Fine-Tuning [49.751529745537546]
我々はDualOptを提案する。DualOptは、スクラッチからトレーニングに適した最適化技術を分離する新しいアプローチである。
スクラッチからのトレーニングでは、収束と一般化の両面を強化するために設計されたリアルタイムな層ワイド・ウェイト・デポジットを導入する。
我々は、異なる下流タスクの様々な要求に適応して、レイヤ単位の重量減衰を拡張して、レイヤ間のロールバックレベルを動的に調整する。
論文 参考訳（メタデータ） (2026-04-21T06:27:18Z) - A Distributed Training Architecture For Combinatorial Optimization [0.0]
最適化のための分散グラフニューラルネットワーク(GNN)に基づくトレーニングフレームワークを提案する。
実大規模ソーシャルネットワークデータセットと合成された高複雑性グラフの両方で実験を行った。
我々のフレームワークは、ソリューションの品質と計算効率の両方において最先端のアプローチより優れています。
論文 参考訳（メタデータ） (2025-11-12T12:22:10Z) - Efficient Fault Detection in WSN Based on PCA-Optimized Deep Neural Network Slicing Trained with GOA [0.6827423171182154]
従来の障害検出手法は、効率的なパフォーマンスのためにディープニューラルネットワーク(DNN)の最適化に苦労することが多い。
本研究では,これらの制約に対処するためにGrasshopper Optimization Algorithm(GOA)によって最適化されたDNNと主成分分析(PCA)を組み合わせた新しいハイブリッド手法を提案する。
従来の手法よりも優れた精度とリコールで,99.72%の分類精度を実現している。
論文 参考訳（メタデータ） (2025-05-11T15:51:56Z) - Concurrent build direction, part segmentation, and topology optimization
for additive manufacturing using neural networks [2.2911466677853065]
本稿では,加法製造におけるサポート構造の利用を減らすことを目的としたトポロジー最適化のためのニューラルネットワークアプローチを提案する。
本手法では,(1)部分分割,(2)各部分のトポロジ,(3)各部分のビルド方向の同時決定が可能なネットワークアーキテクチャを用いる。
論文 参考訳（メタデータ） (2022-10-04T02:17:54Z) - Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。
私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。
我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
論文 参考訳（メタデータ） (2022-09-04T06:45:33Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳（メタデータ） (2021-08-15T21:32:47Z) - Non-Gradient Manifold Neural Network [79.44066256794187]
ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。
非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-15T06:39:13Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。