論文の概要: Mesh2Shell Neural Operator for Inverse Shape Optimization

• arxiv url: http://arxiv.org/abs/2611.02127v1
• Date: Sun, 01 Nov 2026 19:01:25 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:35:33.737689
• Title: Mesh2Shell Neural Operator for Inverse Shape Optimization
• Title（参考訳）: 逆形状最適化のためのメッシュ2シェルニューラル演算子
• Abstract要約: 本稿では,メッシュ・ツー・シェル・ニューラル・オペレーター(M2S-NO)をカテゴリに依存しない逆形状最適化フレームワークのメッシュ・ツー・シェルコンポーネントとして紹介する。 M2S-NOは、向き付けられた表面サンプルをTruncatedSDFやHeatSDFのような表面中心のシェル表現にマッピングする。 我々は、FEMとOpenMCを独立に評価し、幾何マッチング、ジェットエンジンブラケット、中性子モデレーターの評価を行った。
• 参考スコア（独自算出の注目度）: 67.80506116099305
• License:
• Abstract: Physics-driven design seeks high-performing geometries, which need not conform to a learned shape category. Parametric and latent-space approaches facilitate surrogate-based optimization, but restrict deformations to prescribed shape families or learned decoders. We introduce the Mesh-to-Shell Neural Operator (M2S-NO) as the mesh-to-shell component of a category-agnostic inverse shape optimization framework. We separate the explicit mesh used for design from the volumetric representation used for physics prediction. M2S-NO maps oriented surface samples to a surface-centered shell representation, such as TruncatedSDF or HeatSDF. A separate problem-specific PDE neural operator (PDE-NO) maps this representation to physical fields. Objective gradients update mesh vertices through both operators, without a latent shape decoder. Preconditioning and remeshing support free-form deformation, while fixed interfaces are controlled directly on the mesh. Optional shell-space proposals enable topology changes. We evaluate geometric matching, jet-engine brackets, and neutron moderators, with independent FEM and OpenMC evaluation. Relative to the best training designs, M2S-NO reduces maximum bracket displacement by 14.3% and increases neutron-sensor current by 13.8%. Optimization also succeeds from an out-of-distribution bracket initialization, demonstrating the framework's geometric flexibility.
• Abstract（参考訳）: 物理駆動設計は、学習された形状のカテゴリーに適合する必要がない高性能な幾何学を求める。 パラメトリックおよびラテント空間アプローチは、サロゲートに基づく最適化を促進するが、変形を所定の形状のファミリや学習デコーダに制限する。 本稿では,メッシュ・ツー・シェル・ニューラル・オペレータ(M2S-NO)を,カテゴリに依存しない逆形状最適化フレームワークのメッシュ・ツー・シェルコンポーネントとして紹介する。 設計に使用する明示的メッシュと,物理予測に使用される体積表現を分離する。 M2S-NOは、向き付けられた表面サンプルをTruncatedSDFやHeatSDFのような表面中心のシェル表現にマッピングする。 別個の問題固有のPDEニューラル演算子(PDE-NO)は、この表現を物理場にマッピングする。 目的勾配は、遅延形デコーダなしで、両方の演算子を通してメッシュ頂点を更新する。 プリコンディショニングとリメッシングはフリーフォーム変形をサポートし、固定インターフェースはメッシュ上で直接制御される。 オプションのシェルスペース提案はトポロジーの変更を可能にする。 我々は、FEMとOpenMCを独立に評価し、幾何マッチング、ジェットエンジンブラケット、中性子モデレーターの評価を行った。 最高の訓練設計とは対照的に、M2S-NOは最大ブラケット変位を14.3%減少させ、中性子センサー電流を13.8%増加させる。 最適化は配布外ブラケットの初期化にも成功し、フレームワークの幾何学的柔軟性を示している。

関連論文リスト

• Mesh-Agnostic Refinement Models for Latent Space Encoding of 3D Human Body Shapes [8.196000596327645]
  Skinned Multi-Person Linear (SMPL) モデルのようなパラメトリックな人体モデルは、人間の形とポーズのコンパクトな表現を提供する。 本稿では,初期復号化面とターゲットメッシュとの幾何学的差を利用した再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-11-02T15:26:05Z)
• CoPiT: A conditional Position-induced Transformer for aerodynamic field prediction on unstructured meshes [5.996944588917578]
  CoPiT は textbfConditional textbfPosition によって誘導される textbfTransformer である。 多段特徴量線形変調(FiLM)により大域条件ベクトルを注入する。 表面と体積の損失はトランスオーバーに比べて約54%と24%減少する。
  論文  参考訳（メタデータ） (2026-10-23T07:56:49Z)
• Learnable Splines for Unstructured Neural Operators [78.26652287941543]
  L-SplineFNOは、FNOバックボーンとスパースで学習可能なテンソル生成B-Splineトランスファーを結合するメモリ効率のよい神経オペレータである。 ベースライン演算子よりもはるかに少ないメモリと計算を必要とするが、予測精度は高い。 また、ゼロショット超解像と効率的な閉形式空間微分もサポートする。
  論文  参考訳（メタデータ） (2026-10-15T15:15:31Z)
• 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)
• Neural parametric representations for thin-shell shape optimisation [3.8860840464742665]
  本稿では,周期的活性化関数を持つニューラルネットワークに基づく貝殻中表面のニューラルパラメトリック表現(NRep)を提案する。 NRepによりパラメータ化された薄い殻の形状を最適化するために、構造コンプライアンスの最適化問題を提起する。 得られた形状最適化問題は勾配に基づく最適化アルゴリズムを用いて解く。
  論文  参考訳（メタデータ） (2026-04-08T02:45:39Z)
• 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)
• 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)

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。