論文の概要: NL2Hull: A Natural Language-Driven Constrained Ship Design Decision Framework
- arxiv url: http://arxiv.org/abs/2610.09896v1
- Date: Wed, 07 Oct 2026 11:55:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.892915
- Title: NL2Hull: A Natural Language-Driven Constrained Ship Design Decision Framework
- Title（参考訳）: NL2Hull: 自然言語による制約付き船舶設計決定フレームワーク
- Abstract要約: 本稿では,NL2Hullフレームワーク(Natural-Language-to-Hull Framework,NL2Hull Framework)について述べる。
CFFDエンジン(Constrained Free-Form deformation Engine)は、非一様有理B-スプライン(NURBS)を持つ船体用ウォーターラインを表す。
自然言語要求を処理するための制約付き船舶設計決定モデルであるChipを提案する。
- 参考スコア（独自算出の注目度）: 11.745735671189365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ship-form design combines smooth geometric representation, local shape editing, and constraints on the resulting hull. We present the Natural-Language-to-Hull Framework (NL2Hull Framework), which formulates ship-form editing as a typed discrete decision problem and connects language decisions to numerical geometry. Its Constrained Free-Form Deformation Engine (CFFD Engine) represents hull waterlines with non-uniform rational B-splines (NURBS), applies free-form deformation (FFD) to their control points, reconstructs the hull, and checks geometric constraints. We construct the Ship Design Decision Dataset (SDD Dataset) with 134,558 cleaned records and evaluate compared models on its subset Ship Design Decision Benchmark (SDDBench), containing 5,000 records and 43,496 typed questions. We propose Chip, a constrained ship-design decision model for processing natural-language requests. Chip reaches 95.90\% question accuracy and 99.32\% FFD exact match, with a negative log-likelihood of 0.0951, an expected calibration error of 0.0032, and a Brier score of 0.0551. The NL2Hull Framework provides a reproducible interface for evaluating language-based ship-form decisions while identifying the geometry and continuous-control components that require further development. Our code and dataset is available at https://github.com/wenhuahuo/NL2Hull.
- Abstract（参考訳）: 船体形状設計は、滑らかな幾何学的表現、局所的な形状の編集、および結果の船体への制約を組み合わせたものである。
本研究では,NL2Hullフレームワーク(Natural-Language-to-Hull Framework,NL2Hull Framework)を提案する。
CFFDエンジン(Constrained Free-Form deformation Engine)は、非一様有理なB-スプライン(NURBS)を持つ船体用水系を表現し、制御点に自由形変形(FFD)を適用し、船体を再構築し、幾何学的制約をチェックする。
船設計決定データセット(SDD Dataset, Ship Design Decision Dataset, SDD Dataset)を, 134,558個のクリーン化レコードを用いて構築し, そのサブセットである船設計決定ベンチマーク(SDDBench, Ship Design Decision Benchmark, SDDBench)のモデルを比較した。
自然言語要求を処理するための制約付き船舶設計決定モデルであるChipを提案する。
チップは95.90\%の質問精度と99.32\%のFFDの正確な一致に達し、負のログ類似度は0.0951で、キャリブレーション誤差は0.0032、ブライアスコアは0.0551である。
NL2Hull Frameworkは、さらなる開発を必要とする幾何学と連続制御コンポーネントを特定しながら、言語ベースの船形決定を評価する再現可能なインターフェースを提供する。
私たちのコードとデータセットはhttps://github.com/wenhuahuo/NL2Hull.orgで公開されています。
関連論文リスト
- Correctness Is a Direction: Geometric Answer Selection in Language Models [37.52103844741668]
スコアリング方向がゼロショットログ確率スコアよりも優れていることを示す。
事実推論、ドメイン知識、真性に対する正当性方向は表現空間においてほぼ直交である。
論文 参考訳（メタデータ） (2026-10-03T13:21:04Z) - BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components [9.368489153302326]
本研究では、過渡変位場の自己回帰予測のための境界条件対応変圧器ニューラル演算子(BAT-NO)を提案する。
Bピラーシミュレーションフレームワークは、幾何、衝突位置、速度のバリエーションの一般化を評価し、剛性をサポートする。
BAT-NOは, 評価ベースラインのうち, 最終段階の平均ユークリッド変位誤差が最低となる。
論文 参考訳（メタデータ） (2026-10-02T17:06:21Z) - CANTO: CAD-Native Transformer Operators for AI-Aided Engineering [37.644374600631004]
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。
論文 参考訳（メタデータ） (2026-09-29T06:21:15Z) - PGL-3D: Towards Progressive Geometric Learning for 3D Visual Query Localization [60.842562471209995]
3DVQLは、RGBポイントクラウドシーケンスにおけるクエリ対象の最新の連続的な発生を検索する。
応答フレーム毎に9-DoFキューブを予測します。
本稿では,予測-選択-再定義-予測フレームワークである3DVQL(PGL-3D)について紹介する。
論文 参考訳（メタデータ） (2026-09-27T13:29:51Z) - APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes [13.863955944453062]
Adaptive Patch Partitioning (APP) は船体CFDシミュレーションから抽出した2次元水平スライスに対する決定論的ツリー表現である。
APPは、より細かいパッチを船体の近くに割り当て、より遠くの粗いパッチを割り当て、パッチ内容のサンプルを減らし、完全な参照ポイントセットへの予測を復元する。
典型的な DTC 入力では、APP-Transformer は 1.815 GFLOPs と 1.309 ms のモデル転送を必要とする。
論文 参考訳（メタデータ） (2026-08-29T16:23:00Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳（メタデータ） (2026-07-19T06:54:52Z) - Internalizing Geometric Law: Learning from Solver Residuals for Precision-Critical Generation [2.459492253868525]
自然言語からのオープンエンド幾何合成について検討する。
私たちは、宣言的制約を微分可能な損失にコンパイルするプログラマブルな幾何学的DSLであるPyGeoXをリリースします。
本稿では,SAR(Saturating Additive Rewards)を提案する。
論文 参考訳（メタデータ） (2026-06-08T09:44:31Z) - ESCAPE: Equivariant Shape Completion via Anchor Point Encoding [79.59829525431238]
回転同変形状補完を実現するためのフレームワークであるESCAPEを紹介する。
ESCAPEは、形状からアンカーポイントを選択し、すべてのポイントを全てのアンカーポイントまでの距離として表現することで、独特の符号化戦略を採用している。
ESCAPEは任意の回転と翻訳をまたいだ堅牢で高品質な再構成を実現する。
論文 参考訳（メタデータ） (2024-12-01T20:05:14Z) - Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。
このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。
この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-09T17:05:45Z)
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。