論文の概要: Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

• arxiv url: http://arxiv.org/abs/2607.09763v1
• Date: Tue, 07 Jul 2026 01:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.18352
• Title: Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design
• Title（参考訳）: 高信頼設計のための実験用ニューラル演算子を用いた知識制約形状最適化
• Authors: Wenhao Fan, Yuanwei Bin, Jianghan Gu, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen,
• Abstract要約: 本稿では,知識に基づく制約とユーザ意図をDFFDに基づく変形演算子の定量的パラメータに変換する知識制約型形状最適化フレームワークを提案する。 また、異種空気力学データセット上でのドラッグ予測とトレンド整合性を改善するために、Mixture-of-Experts Neural Operator (MoE-NO) を開発した。
• 参考スコア（独自算出の注目度）: 8.50661909309695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Engineering shape optimization faces challenges in both expert-dependent problem setup and surrogate-model reliability. In practical aerodynamic design, optimization settings such as editable regions, deformation ranges, and design-preservation constraints are typically specified manually by experienced engineers, while surrogate-based optimization may become unreliable for heterogeneous geometry databases and out-of-distribution designs. To address these challenges, we propose a knowledge-constrained shape-optimization framework that translates knowledge-based constraints and user intent into quantifiable parameters of DFFD-based deformation operators, enabling engineering-aware and controllable constrained optimization. We further develop a Mixture-of-Experts Neural Operator (MoE-NO) to improve drag prediction and trend consistency over heterogeneous aerodynamic datasets. Based on the MoE-NO encoder and Mahalanobis distance, an uncertainty-estimation strategy is introduced to detect out-of-distribution geometries and selectively trigger physics-solver feedback for local sample enrichment. Experiments on in-house MPV, SUV, and Sedan datasets show that MoE-NO achieves a test-set MAPE of $1.16\%$ and a trend-prediction accuracy of $94.34\%$, outperforming the best baseline results of $1.52\%$ and $90.34\%$, respectively. Vehicle shape-optimization experiments further yield CFD-validated drag coefficient reductions of approximately $4\%$ to $10\%$.
• Abstract（参考訳）: エンジニアリングの形状最適化は、専門家に依存した問題設定と代理モデルの信頼性の両方において課題に直面します。 現実的な空力設計では、編集可能な領域、変形範囲、設計保存制約といった最適化設定は経験豊富な技術者によって手作業で指定されるのが一般的であるが、サロゲートベースの最適化は異種幾何学データベースや分布外設計では信頼性が低い。 これらの課題に対処するために,知識に基づく制約とユーザ意図をDFFDに基づく変形演算子の定量的パラメータに変換する知識制約型形状最適化フレームワークを提案する。 さらに、異種空気力学データセット上でのドラッグ予測とトレンド整合性を改善するために、Mixture-of-Experts Neural Operator (MoE-NO) を開発した。 The MoE-NO encoder and Mahalanobis distance, an uncertainty-estimation strategy to detect out-of-distriion geometries and selectively trigger Physics-solver feedback for local sample Enrichment。 社内MPV、SUV、セダンデータセットの実験では、MoE-NOはテストセットのMAPEが1.16 %$、トレンド予測の精度が9.34 %$に達し、それぞれ1.52 %$と90.34 %$を上回っている。 車両形状最適化実験はCFD価のドラッグ係数を約4\%$から10\%$に下げる。

関連論文リスト

• A Multi-Agent System for IPMSM Design Optimization via an FEA-AI Hybrid Approach [4.798313004706817]
  内部永久磁石同期モータ (IPMSM) の設計は、競合する目的と多重物理制約のバランスを必要とする。 本稿では,構造化問題定義のための検索拡張生成(RAG)を統合したエンドツーエンドの自動IPMSM設計最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T05:07:46Z)
• Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD [7.948688528462053]
  計算流体力学(CFD)は、レースカーの空力開発の中心である。 そのコストは、現実的な予算で実現可能な設計スペースの探索を著しく制限する。 新しいAIベースのサロゲートモデルは、このボトルネックを軽減することを約束する。
  論文  参考訳（メタデータ） (2026-04-20T16:42:35Z)
• Data Mixture Optimization: A Multi-fidelity Multi-scale Bayesian Framework [10.317740844867913]
  我々は,SlimPajamaデータセットから,さまざまなデータ構成を用いて,472言語モデルによる事前学習実行をベースとしたシミュレータを構築した。 単純な取得関数でさえ、20Mから1Bまでのトレーニングモデル間で、原則化されたトレーニング決定を可能にすることを観察する。
  論文  参考訳（メタデータ） (2025-03-26T22:19:47Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)

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。