論文の概要: D-JEPA: Design-Recoverable JEPA Representation with Swappable Physics Decoders
- arxiv url: http://arxiv.org/abs/2609.33110v1
- Date: Sun, 27 Sep 2026 02:29:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 10:22:24.01018
- Title: D-JEPA: Design-Recoverable JEPA Representation with Swappable Physics Decoders
- Title（参考訳）: D-JEPA: スワップ可能な物理デコーダによる設計検索可能なJEPA表現
- Abstract要約: D-JEPA (Design-recoverable JEPA) は幾何学中心のJEPAであり、幾何学だけでコンパクトな表現を計算する。
明示的な設計-回復性の目的は、下層の設計変数に関する情報を保存することを促す。
D-JEPAは、設計パラメータのほぼ完全な線形回復性を達成しつつ、全フィールド予測精度を維持または改善する。
- 参考スコア（独自算出の注目度）: 4.233353544942985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint-Embedding Predictive Architectures (JEPAs) provide a framework for learning compact representations without directly reconstructing high-dimensional observations. However, in parameterized physical systems, learned representations can entangle geometry with operating conditions and task-specific physical responses, limiting their reuse across prediction tasks. We introduce D-JEPA (Design-recoverable JEPA), a geometry-centric JEPA that computes a compact representation from geometry alone and reuses it across operating conditions and physical response spaces through lightweight physics-specific decoders. An explicit design-recoverability objective encourages the geometry latent to preserve information about the underlying design variables, enabling the representation to support design analysis and optimization. We further identify a case-level collapse failure mode in which target representations become nearly invariant across distinct geometries despite low reconstruction error, and mitigate it using case-level variation constraints and auxiliary target reconstruction. Across four 3D aerodynamic, hydrodynamic, and structural benchmarks, D-JEPA maintains or improves full-field prediction accuracy while achieving near-perfect linear recoverability of design parameters. The frozen geometry representation can be reused at held-out operating conditions and transferred to a structural response task with fewer trainable parameters. Finally, the representation supports differentiable design optimization, with designs validated using high-fidelity CFD, preserving the predicted ranking of candidate designs. These results demonstrate that separating a reusable geometry representation from physics-specific prediction provides a practical representation for scientific surrogate modeling and design.
- Abstract（参考訳）: JEPA(Joint-Embedding Predictive Architectures)は、高次元の観察を直接再構築することなく、コンパクトな表現を学習するためのフレームワークを提供する。
しかし、パラメータ化された物理系では、学習された表現は幾何学を操作条件やタスク固有の物理応答と絡めて、予測タスクの再利用を制限することができる。
D-JEPA (Design-recoverable JEPA) は幾何学中心のJEPAで、幾何学のみからコンパクトな表現を計算し、軽量な物理固有デコーダによって動作条件や物理応答空間にまたがって再利用する。
明示的な設計-回復可能性の目的は、幾何潜在者が基礎となる設計変数に関する情報を保存することを奨励し、表現が設計分析と最適化をサポートすることを可能にする。
さらに, 再構成誤差が低いにもかかわらず, 対象表現が異なる地域でほぼ不変となるケースレベル崩壊故障モードを同定し, ケースレベル変動制約と補助目標再構成を用いて緩和する。
D-JEPAは4つの3次元空気力学、流体力学、構造ベンチマークにおいて、設計パラメータのほぼ完全な線形回復性を達成しつつ、全フィールド予測精度を維持または改善している。
凍結幾何表現は、保持された操作条件で再利用することができ、トレーニング可能なパラメータが少ない構造的応答タスクに転送できる。
最後に、この表現は微分可能な設計最適化をサポートし、高忠実度CFDを用いて設計を検証し、候補設計の予測ランキングを保存する。
これらの結果は、物理固有の予測から再利用可能な幾何学的表現を分離することが、科学的代理モデリングと設計の実践的な表現であることを示している。
関連論文リスト
- Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。
モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文 参考訳（メタデータ） (2026-05-16T12:01:04Z) - LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - TabPFN for Zero-shot Parametric Engineering Design Generation [8.681307193373241]
本稿では,TabPFNに基づくパラメトリックエンジニアリング設計のためのゼロショット生成フレームワークを提案する。
提案手法は,目標性能指標に基づいて逐次条件付き設計パラメータを生成する。
拡散型生成モデルと比較して,提案手法は計算オーバーヘッドとデータ要求を大幅に削減する。
論文 参考訳（メタデータ） (2026-02-02T19:51:40Z) - BladeSDF : Unconditional and Conditional Generative Modeling of Representative Blade Geometries Using Signed Distance Functions [4.188806282965805]
本稿では,DeepSDFを用いたタービン翼形状のドメイン固有の暗黙的生成フレームワークを提案する。
制約、目的、パフォーマンスのメトリクスを統合することで、このアプローチは従来の2Dガイド付きまたは制約なしの3Dパイプラインを超えて前進する。
論文 参考訳（メタデータ） (2026-01-19T23:02:33Z) - Follow My Hold: Hand-Object Interaction Reconstruction through Geometric Guidance [61.41904916189093]
単眼RGB画像から手持ち物体の3次元形状を再構成する拡散法に基づく新しいフレームワークを提案する。
我々は手オブジェクト間相互作用を幾何学的ガイダンスとして使用し、手オブジェクト間相互作用を確実にする。
論文 参考訳（メタデータ） (2025-08-25T17:11:53Z) - Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。
近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。
本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
論文 参考訳（メタデータ） (2025-05-27T09:05:28Z) - Attention to Detail: Fine-Scale Feature Preservation-Oriented Geometric Pre-training for AI-Driven Surrogate Modeling [6.34618828355523]
AI駆動サロゲートモデリングは、3D設計、分析、製造のための物理ベースのシミュレーションの代替として、ますます効果的になっている。
本研究は,非パラメトリック3次元モデルから微細な幾何学的特徴を捉えるための自己教師付き幾何学的表現学習手法を提案する。
論文 参考訳（メタデータ） (2025-04-27T17:10:13Z) - Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。
キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-04-23T06:29:10Z) - Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。
GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
論文 参考訳（メタデータ） (2024-07-10T12:50:43Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z)
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。