論文の概要: Federated Physics-Informed Thermal Field Prediction Across Unseen Geometries in Distributed Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2611.17794v1
- Date: Fri, 13 Nov 2026 06:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.315642
- Title: Federated Physics-Informed Thermal Field Prediction Across Unseen Geometries in Distributed Additive Manufacturing
- Title(参考訳): 分散型添加物製造における未確認測地における物理インフォームド熱電場予測
- Abstract要約: Fed-PIGANOは物理インフォームド幾何対応ニューラルオペレーターモデルを個々の場所で訓練し、その幾何エンコーダと予測ネットワークを、部分ジオメトリを共有せずに集約する。
7回以上の複製では、Fed-PIGANOは12のシナリオサイトで平均して1.83%から2.04%の相対的なL2エラーを達成している。
その結果、連合学習は、製造現場が互いに共有することなく、お互いのジオメトリの恩恵を受けることができることを示した。
- 参考スコア(独自算出の注目度): 7.60274626601987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In additive manufacturing (AM), each change in part geometry requires a new thermal simulation, which makes design evaluation over many candidates costly. Geometry-aware models reduce this cost by predicting thermal fields on unseen parts with a single learned model, but they assume that diverse geometries are available centrally. This assumption is restrictive when each manufacturing site holds only a limited set of proprietary part designs that it cannot share. We propose Fed-PIGANO, a federated framework that trains physics-informed geometry-aware neural operator (PI-GANO) models at individual sites and aggregates their geometry encoders and prediction networks without sharing part geometries. We evaluate the framework on a 2D steady-state thermal benchmark for metal AM, with geometries from five polygonal families distributed across three sites under four scenarios that range from identical to strongly different family compositions. Over seven replications, Fed-PIGANO achieves mean relative L2 errors of 1.83% to 2.04% across all 12 scenario-site cases, compared with up to 20.46% for local-only training, and consistently yields lower PDE residuals. Its prediction accuracy is comparable to that of a centralized model trained on the pooled geometries of all sites. These results demonstrate that federated learning lets manufacturing sites benefit from each other's geometries without sharing them, enabling rapid thermal prediction on new part designs for tasks such as shape optimization, inverse design, and uncertainty quantification.
- Abstract(参考訳): 添加性製造(AM)では、部品形状の変更には新しい熱シミュレーションが必要であるため、多くの候補に対して設計評価がコストがかかる。
幾何認識モデルは、単一の学習モデルで見えない部分の熱場を予測することによって、このコストを削減するが、様々な測地が中央で利用できると仮定する。
この仮定は、各製造現場が共有できない限定されたプロプライエタリな部品設計しか持たない場合に制限される。
我々は,物理インフォームド幾何認識ニューラル演算子(PI-GANO)モデルを個々の場所で訓練し,そのジオメトリを共有することなく,それらのジオメトリエンコーダと予測ネットワークを集約するフェデレーションフレームワークであるFed-PIGANOを提案する。
本フレームワークは,金属AMの2次元定常温度ベンチマークで評価され,3つの部位にまたがる5つの多角形家族のジオメトリーが同一から強く異なる家族構成の4つのシナリオで分布している。
7回以上の複製では、Fed-PIGANOは12のシナリオサイトで平均して1.83%から2.04%の相対的なL2エラーを達成し、ローカルのみのトレーニングでは最大20.46%、PDE残差は一貫して低い。
その予測精度は、すべてのサイトのプールされたジオメトリーで訓練された集中型モデルに匹敵する。
これらの結果から, ファクトリーサイトは, 形状最適化, 逆設計, 不確実性定量化といったタスクにおいて, 新たな部品設計の急速な熱的予測を可能にした。
関連論文リスト
- Mesh2Shell Neural Operator for Inverse Shape Optimization [67.80506116099305]
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。
論文 参考訳(メタデータ) (2026-11-01T19:01:25Z) - 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) - GAIA: Geometry-Adaptive Operator Learning for Forward and Inverse Problems [17.161755403211252]
本稿では,領域境界と内界分布を幾何学トークンに符号化する演算子学習モデルであるGeometry-Adaptive Integral Autoencoder (GAIA)を紹介する。
これにより、前方(BVPを含む)と任意の領域上の逆問題に対する単一のアーキテクチャが得られる。
我々はGAIAを7つの2Dおよび3Dベンチマークで評価し、そのうち4つは逆問題とBVPに対する新しいまたは実質的に拡張されたベンチマークである。
論文 参考訳(メタデータ) (2026-07-01T16:14:22Z) - Mesh Graph Neural Network Framework for Accelerating Finite Element Simulation for Arbitrary Geometries [0.126928839393823]
この研究は、任意の穴形状を持つ2次元構造体におけるフォン・ミセスの応力場を予測するメッシュグラフネットワーク(MGN)を提案する。
絶対ノード座標を特徴とする従来の機械学習アプローチとは異なり、提案されたモデルは既存のMGNフレームワークに基づいて構築される。
従来のモデルでは$R2 approx 0.01$-$0.86$と対照的に、このモデルは目に見えない幾何と見えない負荷で$R2 geq 0.97$を達成する。
論文 参考訳(メタデータ) (2026-06-06T18:17:08Z) - A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds [8.15594797043476]
点雲上の物理構造保存記述を学習するためのメッシュフリー外部計算(MEEC)を導入する。
私たちは、解像度、ジオメトリ、物理パラメータをまたいで転送するデータ効率のサロゲートであるMEEC-Netを構築するのに使用しています。
論文 参考訳(メタデータ) (2026-05-08T19:59:40Z) - Multivariate Time Series Forecasting with Hybrid Euclidean-SPD Manifold Graph Neural Networks [31.893767537160258]
本稿では,ハイブリダイアン・リーマンのフレームワーク内でデータジオメトリをキャプチャするグラフニューラルネットワークモデルを提案する。
HSMGNNは、最先端のベースラインよりも13.8%向上している。
論文 参考訳(メタデータ) (2025-12-16T02:42:03Z) - On Geometry-Enhanced Parameter-Efficient Fine-Tuning for 3D Scene Segmentation [52.96632954620623]
本稿では3Dポイント・クラウド・トランス用に設計された新しい幾何対応PEFTモジュールを提案する。
当社のアプローチでは,大規模3Dポイントクラウドモデルの効率的,スケーラブル,かつ幾何を考慮した微調整のための新しいベンチマークを設定している。
論文 参考訳(メタデータ) (2025-05-28T15:08:36Z) - Generative Human Geometry Distribution [49.58025398670139]
我々は、最近提案された、高忠実度で単一の人間の幾何学をモデル化可能な、幾何学的分布に基づいて構築する。
本稿では,ネットワークパラメータではなく2次元特徴写像として分布を符号化する手法と,ガウスではなく領域としてSMPLモデルを提案する。
実験の結果,提案手法は既存の最先端手法よりも優れており,幾何学的品質が57%向上していることがわかった。
論文 参考訳(メタデータ) (2025-03-03T11:55:19Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Development of a deep learning platform for optimising sheet stamping
geometries subject to manufacturing constraints [3.264571107058741]
板の切削工程により、重量比に対して剛性が高い複雑な形状の構造部品を効率的に製造できる。
本稿では,3次元要素幾何学を最適化する新しいディープラーニングプラットフォームを提案する。
論文 参考訳(メタデータ) (2022-02-04T22:29:12Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。