論文の概要: CANTO: CAD-Native Transformer Operators for AI-Aided Engineering

• arxiv url: http://arxiv.org/abs/2609.36806v2
• Date: Thu, 01 Oct 2026 07:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.520344
• Title: CANTO: CAD-Native Transformer Operators for AI-Aided Engineering
• Title（参考訳）: CANTO: CAD-Native Transformer Operators for AI-Aided Engineering
• Abstract要約: CANTOは、連続CAD幾何学から物理場へ直接マッピングするトランスフォーマーニューラル演算子で、入力をメッシュ化しない。 CANTOを4つの自動車・航空機産業ベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 37.644374600631004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern engineering systems, from automobiles to aircraft, are designed by using precise, continuous parametric computer-aided design (CAD) models. Evaluating design changes through numerical simulation requires meshing the continuous geometry, a computationally expensive and often brittle process that can require manual intervention and replaces the continuous representation with a discrete approximation. Most neural surrogates accelerate the simulation, but inherit this representation gap by relying on meshes, point clouds, voxels, or other sampled approximations of geometry. We introduce CANTO, a transformer neural operator that maps directly from continuous CAD geometry to physical fields, without meshing the input geometry. We develop a theoretical framework for learning operators from geometric manifolds to function spaces of physical fields, representing geometry through sequences of parametric patches. CANTO instantiates this framework by directly tokenizing non-uniform rational B-spline (NURBS) patches from their control points, knot vectors, and weights, and predicts continuous surface and volume fields at arbitrary query locations. We evaluate CANTO on four automotive and aircraft aerodynamics industry benchmarks: AhmedML, WindsorML, DrivAerML, and HiLiftAeroML. CANTO achieves state-of-the-art accuracy on most evaluated surface and volume prediction tasks, including a 19.8% reduction in surface-pressure relative $L_2$ error compared with AB-UPT on HiLiftAeroML. Differentiability with respect to CAD parameters further enables gradient-based inverse design of designs. On AhmedML, CANTO identifies designs with 4.4 to 20.4% lower drag than the best dataset designs satisfying the same volume and lift constraints, with the improvements verified using the same CFD setup used to generate the original dataset.
• Abstract（参考訳）: 自動車から航空機まで、現代の工学システムは正確なパラメトリックコンピュータ支援設計(CAD)モデルを用いて設計されている。 数値シミュレーションによる設計変更の評価には、計算コストが高く、しばしば不安定なプロセスである連続幾何のメッシュ化が必要であり、手動による介入を必要とし、連続表現を離散近似に置き換える。 ほとんどのニューラルサロゲートはシミュレーションを加速するが、メッシュ、点雲、ボクセル、その他の幾何学のサンプル近似に依存することによって、この表現ギャップを継承する。 連続CAD幾何から物理場へ直接マッピングするトランスフォーマーニューラル演算子CANTOについて,入力幾何をメッシュ化せずに紹介する。 我々は、幾何多様体から物理場の函数空間への作用素の学習のための理論的枠組みを開発し、パラメトリックパッチの列を通して幾何学を表現する。 CANTOは、制御点、結び目ベクトル、重みから非一様有理B-スプライン(NURBS)パッチを直接トークン化し、任意のクエリ箇所で連続的な表面および体積場を予測することにより、このフレームワークをインスタンス化する。 我々は、AhmedML、WindsorML、DrivAerML、HiLiftAeroMLの4つの自動車および航空機空力産業ベンチマークでCANTOを評価した。 CANTOは、HiLiftAeroMLのAB-UPTと比較して、表面圧の相対的な$L_2$エラーを19.8%削減するなど、最も評価された表面および体積予測タスクで最先端の精度を実現している。 CADパラメータに関する微分可能性により、設計の勾配に基づく逆設計が可能になる。 AhmedMLでは、CANTOは、同じボリュームとリフト制約を満たす最高のデータセット設計よりも4.4から20.4%低いドラッグを持つ設計を特定する。

関連論文リスト

• Autoregressive B-Rep Shape Generation with Parametric Surfaces [83.03418080213359]
  ParaCADは、ポイントクラウド条件のB-Rep生成のための自動回帰フレームワークである。 我々のモデルはまず、制約されたUV領域を持つパラメトリック曲面を生成し、その後、これらの曲面をグローバルに交差させることで有効なB-Repを構築する。 大規模な実験により、ParaCADは忠実な点-クラウドアライメントで正確なB-Repsを生成することが示された。
  論文  参考訳（メタデータ） (2026-07-19T06:14:50Z)
• Pointer-CAD v2: Plan-Then-Construct CAD Generation with Dimension-Aware Parametric Precision [30.320445641359466]
  CAD(Computer-Aided Design)は、工業生産に必要な高精度な技術を提供することによって、現代の製造業において基本的な役割を担っている。 近年の大規模言語モデルに基づくCAD生成はシーケンス予測問題として定式化され,有望な結果を得た。 形状レベルで無視できる小さな数値的な偏差は、産業的許容条件に反する可能性がある。 本稿では,連続値を直接予測するPointer-CAD v2を提案する。
  論文  参考訳（メタデータ） (2026-06-28T09:40:20Z)
• Geometry-Aware Neural Optimizer for Shape Optimization and Inversion [14.303592801147225]
  幾何学はPDEが支配するシステムの中心であり、形状最適化と反転を動機付けている。 textbftextscGANOは、幾何学表現、フィールドレベルの予測、および単一の潜在空間ループにおける自動最適化/反転を統一する。 textscGANOはヌルスペースプロジェクションによる部分的制御をサポートし、レメッシングフリープロジェクションを使用して幾何学処理を高速化する。
  論文  参考訳（メタデータ） (2026-05-06T03:51:22Z)
• FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition [10.969341855852276]
  指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。 本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するデータ効率な代理モデルフレームワークであるFLAREを紹介する。 FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
  論文  参考訳（メタデータ） (2026-04-17T19:11:27Z)
• SMART: Scalable Mesh-free Aerodynamic Simulations from Raw Geometries using a Transformer-based Surrogate Model [22.03373840985233]
  機械学習に基づく代理モデル(英語版)は、車体のような複雑な地形上の物理シミュレーションのための数値解法よりも効率的な代替品として登場した。 シミュレーションメッシュへのアクセスを必要とせず、幾何学のポイントクラウド表現のみを用いて任意のクエリロケーションで物理量を予測するニューラルネットワーク・サロゲートモデルSMARTを導入する。 広範囲にわたる実験によると、SMARTは入力としてシミュレーションメッシュに依存する既存の手法と競合し、しばしば性能を上回り、業界レベルのシミュレーションの能力を実証している。
  論文  参考訳（メタデータ） (2026-01-26T17:34:16Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)

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。