論文の概要: Example-driven Parametrisations for Bayesian Shape Optimisation

• arxiv url: http://arxiv.org/abs/2610.11984v1
• Date: Thu, 08 Oct 2026 13:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.063806
• Title: Example-driven Parametrisations for Bayesian Shape Optimisation
• Title（参考訳）: ベイズ形状最適化のための例駆動パラメトリション
• Abstract要約: 我々は既存の設計の集合からパラメータ化を学び、形状間の変形に主成分分析を適用した。 エアロフォイル,翼,高周波キャビティを横断し,試料効率の向上と手作りベースラインの限界を越える探索能力を示した。
• 参考スコア（独自算出の注目度）: 3.119313378850082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimisation is the natural tool for shape design when objectives are expensive and non-differentiable, but it needs a compact yet expressive parameterisation of the search space. Hand-crafting one is a complex endeavour requiring domain expertise, and often yields implicit infeasible regions, artificial bounds, and coupled, unordered coordinates. We instead learn the parameterisation from a collection of existing designs, applying principal component analysis to the deformations between shapes. The result is a linear, interpretable search space in which the number of components explicitly trades expressivity against dimensionality. Across aerofoils, wings, and radio-frequency cavities, spanning 2D geometry to 3D aerodynamics and electromagnetics, we show improved sample efficiency and the ability to explore beyond the confines of hand-crafted baselines.
• Abstract（参考訳）: ベイズ最適化は、目的物が高価で微分不可能なときの形状設計の自然なツールであるが、探索空間のコンパクトかつ表現力のあるパラメータ化が必要である。 手作りのものは、ドメインの専門知識を必要とする複雑な取り組みであり、しばしば暗黙の不可能な領域、人工境界、結合された非順序座標をもたらす。 代わりに、既存の設計の集合からパラメータ化を学び、形状間の変形に主成分分析を適用する。 結果は線形で解釈可能な探索空間であり、成分の個数は次元に対して表現性を明示的に交換する。 2次元の幾何学から3次元の空力学と電磁学にまたがるエアロフォイル、翼、電波キャビティを横切ることで、サンプル効率の向上と手作りのベースラインを超越した探索能力を示す。

関連論文リスト

• A Unified Low-Dimensional Design Embedding for Joint Optimization of Shape, Material, and Actuation in Soft Robots [4.829343342713712]
  形状変形,多材料分布,アクチュエータを統一したソフトロボットのためのスムーズで低次元な設計埋め込みを提案する。 実験では、ニューラルネットワークの符号化と異なり、基礎関数の数に応じて設計が増加することを示す。 さらに, 一体型埋め込みによる形状, 材料, アクティベーションの協調最適化は, 逐次戦略を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-03-06T17:33:32Z)
• Surrogate-Based Differentiable Pipeline for Shape Optimization [64.24199762940444]
  本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。 本研究では、3次元U-Netのフルフィールドサロゲートがメッシュ化とシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実証する。
  論文  参考訳（メタデータ） (2025-11-13T19:30:50Z)
• Regularized interpolation in 4D neural fields enables optimization of 3D printed geometries [0.0]
  3Dプリンティングには、例外的なデザインの自由と複雑さが特徴だ。 また、その潜在能力を最大限に発揮するためには、幾何学的な欠陥やその他の欠陥も解決しなければならない。
  論文  参考訳（メタデータ） (2025-02-03T16:50:57Z)
• LinPrim: Linear Primitives for Differentiable Volumetric Rendering [51.56484100374058]
  線形プリミティブに基づく2つの新しいシーン表現を導入する。 我々はGPU上で効率的に動作する異なるオクタライザを提案する。 我々は最先端の手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-01-27T18:49:38Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• 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)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)
• Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
  3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。 本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。 得られたモデルは生の3D形状からトレーニングできる。
  論文  参考訳（メタデータ） (2021-02-27T06:54:31Z)
• Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
  ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。 自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。 我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
  論文  参考訳（メタデータ） (2020-03-14T00:48:34Z)

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。