微分可能な学習シミュレータを用いた物理設計【JST・京大機械翻訳】

Allen Kelsey R.; Lopez-Guevara Tatiana; Stachenfeld Kimberly; Sanchez-Gonzalez Alvaro; Battaglia Peter; Hamrick Jessica; Pfaff Tobias

プレプリント

J-GLOBAL ID：202202206667497223 整理番号：22P0283340

微分可能な学習シミュレータを用いた物理設計【JST・京大機械翻訳】

Physical Design using Differentiable Learned Simulators

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年02月01日プレプリントサーバーでの情報更新日： 2022年02月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ツールやその他の機能構造のような目的を果たす物理的アーチファクトの設計は,日常の人間行動と同様にエンジニアリングの中心である。自動化設計は,非常に有望であるが,汎用法は,まだ存在しない。ここでは,勾配ベース設計最適化とグラフニューラルネットワークに基づく学習フォワードシミュレータを組み合わせた逆設計に対する簡単で,高速でロバストなアプローチを検討した。本アプローチは,流体流れを操作するための表面およびツールの設計,および抗力を最小化するための翼の形状の最適化を含む複雑な物理動力学を有する高次元問題を解いた。このフレームワークは,設計タスクと実質的に異なるデータに関する単一ステップ予測のために事前訓練されたモデルを使用する場合でも,数百ステップの軌跡を通して勾配を伝播することによって高品質設計を生成する。著者らの流体操作タスクにおいて,得られた設計は,サンプリングベースの最適化技法によって見出されたものより優れていた。翼形設計では,それらは特殊化ソルバで得られたものの品質と整合した。著者らの結果は,いくつかの残りの課題にもかかわらず,機械学習ベースのシミュレータは,それらが多様なドメインにわたって汎用設計最適化をサポートすることができる点に成熟していることを示唆する。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

航空機の空気力学 , 人間機械系 , CAD,CAM

, , ,

前のページに戻る