論文の概要: Adversarial Agents on Topology Optimization: Understanding the Fragility and Robustness of Deep Learning-based and Physics-Based Design Models under Adversarial Perturbation
- arxiv url: http://arxiv.org/abs/2608.22606v1
- Date: Sun, 23 Aug 2026 21:23:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.800708
- Title: Adversarial Agents on Topology Optimization: Understanding the Fragility and Robustness of Deep Learning-based and Physics-Based Design Models under Adversarial Perturbation
- Title（参考訳）: トポロジー最適化における逆エージェント--逆摂動下での深層学習と物理に基づく設計モデルの脆弱性とロバスト性を理解する-
- Abstract要約: 物理に基づくアプローチとディープラーニングサロゲートの両方を用いたトポロジー最適化は、サイバー製造システムにおける生成設計エージェントの基盤となる。
オンラインデザイン生成の高速化により、ディープラーニングサロゲートが広く採用されている一方で、この研究は、入力摂動下での脆弱性を実証している。
生成設計モデルをターゲットにした対向エージェントを定式化したメカニックグラウンドの信頼性評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 13.750330958787456
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Topology optimization, using both physic-based approaches and deep learning surrogates, serves as a cornerstone for generative design agents in cyber-manufacturing systems. While deep learning surrogates have gained widespread adoption due to their speed in online design generation, this work demonstrates their vulnerability under input perturbations. In this work, we present a mechanics-grounded reliability evaluation framework that formulates an adversarial agent targeting the generative design models. We investigate a strictly non-intrusive threat model where bounded perturbations are introduced exclusively to the initial-density channel, while physical boundary conditions, compliance-gradient channels, network architectures, and solver routines remain intact. Evaluating surrogate models across U-Net, convolutional, and generative architectures with varying physics-gradient conditioning depths demonstrates that bounded initialization noise can cause catastrophic mechanical failure, increasing compliance by multiple orders of magnitude through severed load paths and disconnected supports. Furthermore, we discover that incorporating richer physics-gradient conditioning in the deep learning surrogates does not guarantee monotonic robustness across surrogate families. Finally, physics-in-the-loop recovery demonstrates that initializing the classical SIMP optimizer with perturbed topologies mitigates design performance degradation, having a high probability of restoring compliance to near-baseline levels across tested instances. These findings demonstrate that learned surrogates should serve as physics-verified initializers instead of replacing physics-based solvers entirely in a resilient cyber-manufacturing system. Moreover, the proposed adversarial agent provides a foundation for future training generative design agents robust against noise and targeted perturbations.
- Abstract（参考訳）: 物理に基づくアプローチとディープラーニングサロゲートの両方を用いたトポロジー最適化は、サイバー製造システムにおける生成設計エージェントの基盤となる。
オンラインデザイン生成の高速化により、ディープラーニングサロゲートが広く採用されている一方で、この研究は、入力摂動下での脆弱性を実証している。
本稿では, 生成設計モデルをターゲットにした逆エージェントを定式化する, メカニックグラウンドの信頼性評価フレームワークを提案する。
物理的境界条件, コンプライアンス・グラディエント・チャネル, ネットワークアーキテクチャ, ソルバルーチンをそのまま残しながら, 境界摂動を初期密度チャネルにのみ導入する厳密な非侵入的脅威モデルについて検討する。
U-Net、畳み込み、および生成的アーキテクチャの様々な物理勾配条件の深さによるサロゲートモデルの評価は、境界初期化ノイズが破滅的な機械的故障を引き起こすことを示し、切断された負荷経路と切断されたサポートを通して、桁違いのコンプライアンスを増大させる。
さらに、よりリッチな物理勾配条件を深層学習サロゲートに組み込むことで、サロゲート族全体のモノトニックロバスト性は保証されないことが判明した。
最後に、サイバネティック・イン・ザ・ループ・リカバリは、古典的なSIMPオプティマイザを摂動トポロジで初期化することにより、テストインスタンス間のほぼベースラインレベルへのコンプライアンスを回復する確率の高い設計性能の低下を緩和することを示した。
これらの結果は、学習したサロゲートが、レジリエントなサイバー製造システムにおいて、物理ベースの解法を完全に置き換える代わりに、物理を検証した初期化剤として機能すべきであることを示している。
さらに,提案する対向剤は,騒音や標的摂動に対して頑健な生成設計エージェントを将来訓練するための基盤を提供する。
関連論文リスト
- Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - High-Fidelity Industrial Crash Dynamics Prediction via Geometry-Aware Operator Learning with Memory-Efficient Low-Rank Attention [0.2174820084855635]
我々は,GeoTransolverフレームワークが,産業規模での高精度かつ高忠実なクラッシュダイナミクス予測に有効なソリューションであることを示す。
ワンショット、時間条件、自動回帰ロールアウト戦略は、トレーニングオーバーヘッドと推論遅延を著しく低減し、最先端の精度を実現する。
本結果は,複雑な安全クリティカルな自動車力学の高忠実なサロゲートモデリングのための幾何認識演算子学習の実用性を強調した。
論文 参考訳（メタデータ） (2026-05-26T23:15:53Z) - PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics [0.0]
この研究は、信頼できるエンジニアリングのためのニューロシンボリック・エージェント・フレームワークであるPhyNiKCEを紹介している。
標準的なブラックボックスエージェントとは異なり、PhyNiKCEはシンボリック検証からニューラルプランニングを分離する。
このアーキテクチャは、幅広い産業自動化において、信頼できる人工知能のためのスケーラブルで監査可能なパラダイムを提供する。
論文 参考訳（メタデータ） (2026-02-12T07:37:56Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows [18.240532888032394]
我々は、困難でアプリケーション駆動のリアクティブフローでニューラルネットワークサロゲートをテストするために設計された厳格なベンチマークフレームワークであるREALM(Realistic AI Learning for Multiphysics)を提案する。
我々は、スペクトル演算子、畳み込みモデル、トランスフォーマー、ポイントワイド演算子、グラフ/メッシュネットワークを含む、12以上の代表代理モデルファミリをベンチマークする。
i)次元性、剛性、メッシュの不規則性によって共同で管理されるスケーリング障壁により、ロールアウトエラーが急速に増加すること、(ii)パラメータカウントよりもアーキテクチャ上の帰納バイアスによって主に制御されるパフォーマンス、(iii)精度の指標と物理的にの間にある永続的なギャップ、の3つの頑健な傾向を識別する。
論文 参考訳（メタデータ） (2025-12-21T05:04:13Z) - Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。
中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。
本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文 参考訳（メタデータ） (2025-07-09T20:09:00Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Unleashing the Power of Pre-trained Encoders for Universal Adversarial Attack Detection [21.03032944637112]
アドリアック攻撃は、現実世界のAIシステムにとって重要なセキュリティ脅威となる。
本稿では,大規模事前学習型視覚言語モデルCLIPに基づく,軽量な逆検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-01T05:21:45Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - A Framework for Strategic Discovery of Credible Neural Network Surrogate Models under Uncertainty [0.0]
本研究では,Occam Plausibility Algorithm for surrogate model (OPAL-surrogate)を提案する。
OPAL-surrogateは、予測ニューラルネットワークベースのサロゲートモデルを明らかにするための、体系的なフレームワークを提供する。
モデルの複雑さ、正確性、予測の不確実性の間のトレードオフをバランスさせる。
論文 参考訳（メタデータ） (2024-03-13T18:45:51Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z)
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。