KATO: Neural‐Reparameterized Topology Optimization Using Convolutional Kolmogorov‐Arnold Network for Stress Minimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Topology optimization (TO) has been a cornerstone of advanced structural design for decades, yet it continues to face challenges in terms of convergence, optimality, and numerical stability, particularly for complex, non‐convex problems like stress minimization. This paper introduces a novel approach to stress‐based topology optimization through the development of neural‐reparameterized topology optimization using the convolutional Kolmogorov‐Arnold network (KATO). KATO uses the neural network to reparameterize the optimization problem, offering a unique solution to the challenges posed by stress minimization in TO. It also simplifies the penalization scheme by reducing sensitivity to certain parameters, which reduces the non‐convexity of the stress minimization problem, enhancing convergence and stability. Our method demonstrates better performance in stress minimization compared to conventional approaches and a different neural network‐based approach, achieving up to 10% lower maximum stress in common benchmark cases. KATO also shows remarkable efficiency, reducing computational time by up to 67% compared to conventional methods for stress minimization problems. We conduct a comprehensive analysis of KATO's performance, computational cost, scalability, and the impact of various neural network architectures. Our results indicate that KATO not only improves stress optimization but also offers insights into the relationship between neural network design and topology optimization performance, paving the way for more efficient and effective structural design processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle