論文の概要: TopoMamba: A Load-Support Relation-Guided Multi-Directional State-Space Model for Topology Optimization

• arxiv url: http://arxiv.org/abs/2609.33688v1
• Date: Sun, 27 Sep 2026 15:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:42:00.736549
• Title: TopoMamba: A Load-Support Relation-Guided Multi-Directional State-Space Model for Topology Optimization
• Title（参考訳）: TopoMamba: トポロジ最適化のためのロード-スポーツ関係誘導多方向状態空間モデル
• Abstract要約: TopoMambaは、負荷対応関係誘導型多方向状態空間モデルを組み込んだトポロジー予測フレームワークである。 TopoMambaは、最先端モデルよりも優れたトポロジー予測精度、分布外一般化、計算効率を実現している。
• 参考スコア（独自算出の注目度）: 4.146605180360819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has emerged as an efficient alternative for predicting high-performance material distributions in topology optimization. Existing methods struggle to accurately capture load-transfer information, limiting out-of-distribution generalization, while their model architectures often incur high computational costs. To address these challenges, this paper proposes TopoMamba, a topology prediction framework incorporating a load-support relation-guided multi-directional state-space model. Coupling physical fields with load-support relations enables more effective modeling of mechanical dependencies. A load-support relation-guided spatially adaptive fusion mechanism dynamically adjusts multi-directional scan features according to spatial conditions. Mamba is coupled with the solid isotropic material with penalty method to enhance structural mechanical performance while maintaining computational efficiency. Results on two-dimensional topology optimization benchmarks demonstrate that TopoMamba achieves superior topology prediction accuracy, out-of-distribution generalization, and computational efficiency over state-of-the-art models. The proposed load-support physics-guided framework enables efficient optimization of more complex structural systems.
• Abstract（参考訳）: 深層学習は、トポロジ最適化において高性能な材料分布を予測するための効率的な代替手段として登場した。 既存の手法では、ロード・トランスファー情報を正確に取得し、分布外一般化を制限するのに苦労するが、モデルアーキテクチャはしばしば高い計算コストを発生させる。 これらの課題に対処するため,負荷対応型多方向状態空間モデルを用いたトポマムバを提案する。 物理場と負荷支援関係を結合することで、機械的依存関係をより効果的にモデル化することができる。 負荷支援関係誘導型空間適応核融合機構は空間条件に応じて動的に多方向走査特性を調整する。 マンバは固体等方性材料とペナルティ法とを結合し、計算効率を保ちながら構造力学的性能を向上させる。 2次元トポロジー最適化ベンチマークの結果、トポマンバは最先端のトポロジー予測精度、アウト・オブ・ディストリビューションの一般化、最先端モデルよりも計算効率が優れていることが示された。 提案した負荷支援物理誘導フレームワークは,より複雑な構造系の効率的な最適化を可能にする。

関連論文リスト

• Efficient Generative Modeling with Unitary Matrix Product States Using Riemannian Optimization [14.767214474486893]
  本稿では,生成モデルのための行列積状態(MPS)を体系的に研究する。 Unitary MPSは、単純かつ表現力のあるテンソルネットワークアーキテクチャであり、教師なし学習に明確な利点を提供する。 Bars-and-StripesとEMNISTデータセットの実験は、データ構造への高速な適応、安定した更新、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-03-12T15:05:03Z)
• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
  パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。 分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
  論文  参考訳（メタデータ） (2025-11-29T08:40:58Z)
• Structural Priors and Modular Adapters in the Composable Fine-Tuning Algorithm of Large-Scale Models [8.15127799301814]
  本稿では,グラフ構造をモジュール型アダプタと組み合わせた,構成可能な微調整法を提案する。 提案手法は,タスク予測精度,アダプタ重み付け精度,全体的な計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-06T02:10:20Z)
• Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization [1.5383027029023142]
  質量(m)、剛性(k)、減衰係数(c)などの構造パラメータの最適化は、効率的で弾力性があり安定した構造を設計するのに重要である。 本研究では,グラフニューラルネットワーク(GNN)サロゲートモデルと遺伝的アルゴリズム(GA)を統合し,これらの課題を克服するハイブリッドデータ駆動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:14:59Z)
• 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)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• TopoDiff: A Performance and Constraint-Guided Diffusion Model for Topology Optimization [4.091593765662773]
  TopoDiffは、性能認識および製造可能性認識トポロジー最適化のための条件付き拡散モデルに基づくアーキテクチャである。 本手法は,物理性能の平均誤差を8倍に減らし,最先端の条件付きGANを著しく向上させる。
  論文  参考訳（メタデータ） (2022-08-20T03:26:00Z)

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。