論文の概要: Generative Design with Real-time Physics Explainability: Towards Product Definition in the Age of AI
- arxiv url: http://arxiv.org/abs/2611.17560v1
- Date: Thu, 12 Nov 2026 22:30:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.268904
- Title: Generative Design with Real-time Physics Explainability: Towards Product Definition in the Age of AI
- Title(参考訳): リアルタイム物理説明可能性を備えた生成設計:AI時代の製品定義に向けて
- Abstract要約: 近年,逆設計問題の解法として,可逆ニューラルネットワークに基づく生成法が提案されている。
生成型AIモデルは、物理ベースのシミュレーションのためにリアルタイムに有能な代理として振る舞うことができることを示した。
本研究では,シミュレータデータに基づく空気翼設計と,測定データに基づく燃焼器設計空間探索のための2つのインタラクティブ環境を開発する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this article, we explore opportunities from using generative AI in mechanical engineering. On the one hand, generative methods based on invertible neural networks have been recently proposed for the solution of inverse design problems, allowing to infer design parameters from performance labels. On the other hand, generative AI models have shown that they can act as real time capable surrogates for physics based simulations. Here we suggest that these two streams should be combined in a unified framework, where INN are used to control the design process from the customer requirements perspective and the generative simulation of the systems physics adds a layer of explainability, why the proposed design fulfils the requirements. As generative design is prone to hallucinations, we propose uncertainty quantification to fend off physically infeasible requests. Finally, validation with classical tools is a requirement for generative design process. To demonstrate the capabilities of our novel generative design paradigm, we develop two interactive environments, one for airfoil design based on simulator data and one for the combustor design space exploration based on measured data.
- Abstract(参考訳): 本稿では,機械工学における生成AIの活用の機会を探る。
一方, 逆設計問題の解法として, 非可逆ニューラルネットワークに基づく生成手法が最近提案されており, 性能ラベルから設計パラメータを推測することができる。
一方、生成型AIモデルでは、物理に基づくシミュレーションのためにリアルタイムに能動的サロゲートとして機能できることが示されている。
ここでは、これらの2つのストリームを統一的なフレームワークに結合して、INNが顧客要求の観点から設計プロセスを制御し、システム物理の生成シミュレーションが説明可能性のレイヤを追加し、なぜ提案された設計が要求を満たすのかを提案する。
生成設計は幻覚を起こす傾向にあるため、物理的に不可能な要求を解消するための不確実な定量化を提案する。
最後に、古典的なツールによる検証は、生成設計プロセスの要件である。
そこで本研究では, シミュレーションデータに基づく翼設計と, 測定データに基づく燃焼器設計空間探索のための2つのインタラクティブ環境を構築した。
関連論文リスト
- A Comprehensive Review of Large Language Models for Nanophotonics: From Surrogate Modeling to Autonomous Design [14.603456638289336]
このレビューでは、Large Language Modelsが、数値ナノフォトニクス設計にセマンティックインターフェース、コード生成、ツールオーケストレーションをどのように追加しているかを調査します。
まず,従来のニューラルネットワークからトランスフォーマーモデルへの展開とそのナノフォトニクス設計への応用について概説する。
次に、ナノフォトニクスにおけるLCM関連手法の出現を概観し、構造スペクトルマッピングを言語タスクとして扱うシュロゲートモデルと、コードを生成するために実証されたエージェントシステム、選択されたシミュレーションステップのオーケストレーション、クローズドループ最適化のサポートの2つの運用モードに分類する。
論文 参考訳(メタデータ) (2026-08-18T19:57:16Z) - AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers [0.3868072865207522]
海洋プロペラの設計への適用は、訓練データの不足と、広く利用可能な事前訓練されたモデルの不足により、依然として困難である。
我々は,2万以上の4枚と5枚以上のプロペラジオメトリのデータベースを構築し,それぞれに模擬オープンウォーター性能曲線を伴って構築する。
本研究では, 海洋プロペラに適した直接性能・設計生成のための生成AIフレームワークを開発した。
論文 参考訳(メタデータ) (2026-04-24T05:01:21Z) - Toward Knowledge-Guided AI for Inverse Design in Manufacturing: A Perspective on Domain, Physics, and Human-AI Synergy [0.8399688944263844]
AIは製造における逆設計を再構築し、材料、製品、プロセスにおける高性能な発見を可能にしている。
しかし、純粋にデータ駆動のアプローチは、スパースデータ、高次元の設計空間、複雑な制約によって特徴づけられる現実的な製造環境に苦しむことが多い。
この視点は、3つの補完的な柱の上に構築された統合フレームワークを提案する: 物理的に意味のある目的と制約を確立するためのドメイン知識と、限定的または偏りのあるデータに基づく一般化を強化する物理インフォームド機械学習、直感的で人間中心のインタラクションをサポートするための大規模言語モデルベースのインターフェイス。
論文 参考訳(メタデータ) (2025-05-29T08:15:27Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。
得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
論文 参考訳(メタデータ) (2024-09-23T11:16:46Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳(メタデータ) (2023-09-27T00:12:07Z) - Graph Neural Network Based Surrogate Model of Physics Simulations for
Geometry Design [0.20315704654772412]
物理シミュレーションのための高速サロゲートモデルとしてグラフニューラルネットワーク(GNN)を開発した。
ノードレベルとグラフレベルの両方で柔軟に予測できるエンコーダ・プロセッサ・デコーダ型アーキテクチャを利用する。
提案したGNNベースサロゲートモデルの性能を2つの例に示す。
論文 参考訳(メタデータ) (2023-02-01T16:23:29Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - Design of Unmanned Air Vehicles Using Transformer Surrogate Models [8.914156789222266]
我々は,無人航空機(UAV)の設計を合成するAIデザイナを開発した。
提案手法では,高額なフライトダイナミックスモデルやCADツールを動作させることなく,新規なドメイン固有符号化を用いた深部変圧器モデルを用いて,提案手法の性能評価を行う。
論文 参考訳(メタデータ) (2022-11-11T21:22:21Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z)
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。