論文の概要: KATOsuper: Surrogate-accelerated neural topology optimization with sensitivity-consistent Fourier neural operators

• arxiv url: http://arxiv.org/abs/2609.27216v1
• Date: Wed, 23 Sep 2026 01:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.81872
• Title: KATOsuper: Surrogate-accelerated neural topology optimization with sensitivity-consistent Fourier neural operators
• Title（参考訳）: KATOsuper:感度一貫性のあるフーリエニューラル演算子を用いたサロゲート加速型ニューラルトポロジー最適化
• Abstract要約: 位相最適化 (TO) は、繰り返し有限要素解析 (FEA) の評価が反復で必要とされるため、計算集約的なままである。 既存のアプローチは、予測された目的と感性の間の勾配の不整合に悩まされることが多く、最適化の不安定性につながる。 感性一貫性フーリエニューラル演算子(SC-FNO)とニューラルレパラメトリズトポロジ最適化を結合した客観的なフレームワークであるKATOsuperを提案する。 このフレームワークはforward_splitアーキテクチャを用いており、予測対象フィールドを通じて自動微分によってデプロイされた感度を導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Topology optimization (TO) remains computationally intensive due to repeated finite element analysis (FEA) evaluations required at each iteration. While neural network-based surrogates offer potential acceleration, existing approaches often suffer from gradient inconsistency between predicted objectives and sensitivities, leading to optimization instability. This work presents KATOsuper, an objective-agnostic framework that couples neural-reparameterized topology optimization with a Sensitivity-Consistent Fourier Neural Operator (SC-FNO). The framework employs the forward_split architecture, which derives deployed sensitivities via automatic differentiation through the predicted objective field and thereby preserves consistency between the predicted objective and the gradient used for optimization. The case studies include three 2D benchmark problems and three 3D structures considering compliance or stress minimization. A physics-informed multi-channel input encoding with Fourier position embedding enables resolution-invariant learning, supporting zero-shot extrapolation beyond the training resolution, with useful performance at moderate scaling factors and topology-preserving exploration at up to 64x without retraining. The framework extends to 3D through KATO3D, featuring novel KANConv3D blocks with learnable B-spline activations. KATOsuper demonstrates 15--110x deployment-time speedup over MATLAB baselines while maintaining competitive optimality, with the clearest gains observed in complex 3D and stress-optimization cases. The insight that sensitivity direction matters more than magnitude enables robust optimization even with approximate physics evaluation, extensible to other differentiable physics-driven design objectives.
• Abstract（参考訳）: 位相最適化 (TO) は、繰り返し有限要素解析 (FEA) の評価が反復で必要とされるため、計算集約的なままである。 ニューラルネットワークベースのサロゲートは潜在的な加速を提供するが、既存のアプローチは予測された目的と感性の間の勾配の不整合に悩まされ、最適化の不安定性につながる。 本研究は,ニューラルパラメータ化トポロジ最適化と感性一貫性フーリエニューラル演算子(SC-FNO)を結合した客観的なフレームワークであるKATOsuperを提案する。 このフレームワークは、予測対象フィールドを介して自動微分によってデプロイされた感度を導出し、予測対象と最適化に用いる勾配との整合性を維持する、forward_splitアーキテクチャを採用している。 ケーススタディには、コンプライアンスやストレスの最小化を考慮した3つの2Dベンチマーク問題と3つの3D構造が含まれる。 物理インフォームされたFourier位置埋め込みを用いたマルチチャネル入力符号化により、ゼロショット外挿をトレーニングの解像度を超えてサポートし、適度なスケーリング係数での有用な性能と最大64倍のトポロジー保存探索を実現することができる。 フレームワークはKATO3Dを通じて3Dに拡張され、学習可能なB-スプラインアクティベーションを備えた新しいkanConv3Dブロックが特徴である。 KATOsuperは、MATLABベースラインよりも15-110倍のデプロイメントタイムを向上し、競争最適性を保ちながら、複雑な3Dおよび応力最適化のケースで最も明確な利得を示す。 感度方向が桁違いに重要であるという洞察は、他の微分可能な物理駆動設計目標に拡張可能な近似物理学評価においても、堅牢な最適化を可能にする。

関連論文リスト

• Neural Adjoint Method for Meta-optics: Accelerating Volumetric Inverse Design via Fourier Neural Operators [0.0]
  酸化誘電率の体積から3次元の随伴勾配場を予測する。 勾配に基づく更新を駆動する密度の高いボクセル単位の感度場を学習することにより、解の解法を高速な予測で置き換えることができる。
  論文  参考訳（メタデータ） (2026-04-19T13:10:13Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems [5.875902463027425]
  生物物理学のニューラルネットワークシミュレーションは、最も計算に要求される科学応用の1つである。 DMOSOPTは、統一された学習されたサロゲートモデルを活用するスケーラブルな最適化フレームワークである。 計算神経科学の文脈において動機付けられ、実証される一方で、このフレームワークは一般に、制約付き多目的最適化問題に適用できる。
  論文  参考訳（メタデータ） (2026-03-22T00:06:28Z)
• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• Preconditioning Natural and Second Order Gradient Descent in Quantum Optimization: A Performance Benchmark [0.0]
  勾配雑音に対するBFGS更新を安定化するための新しい手法を提案する。 ノイズ感度に対処するため,BFGS更新にアペナル化を取り入れた結果が改善した。
  論文  参考訳（メタデータ） (2025-04-23T08:44:18Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)

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。