A Novel Ship Design Optimization Framework Using Fine-Tuned and Reward-Directed Diffusion Model
Notice bibliographique
Résumé
Abstract Optimizing ship hull design using existing datasets poses significant challenges in the marine industry. This study presents an innovative framework for generative artificial intelligence (AI) that uses fine-tuned and reward-weighted sampling during inference in a diffusion model to generate ship hull designs with reduced resistance. We use a parametric approach for the design representation of the ship hull and apply the developed framework to generate new parameters that represent a hull with reduced resistance. Empirical results indicate that the reward guidance substantially improves the diffusion model’s ability to produce samples with reduced resistance in ship design generation tasks. A specific advantage of the reward-directed approach is its effectiveness when engineering simulations are needed to compute performance metrics, such as resistance. This makes the objectives non-differentiable and thus challenging for traditional gradient-based optimization techniques. We first show that the diffusion model can generate 3D ship designs within complex simulation environments. Then, we demonstrate that our framework successfully generates high-performance ship designs that meet engineering criteria directly from tabular data. This work introduces the use of reward guidance for a Markov decision process (MDP), providing an intuitive approach to provide directional sampling in diffusion models, particularly in complex and nondifferentiable settings. This study is a steppingstone towards constrained-based design optimization using generative AI for engineering applications. Using this approach, performance and operational considerations will be embedded in the optimization process during sampling and reward augmentation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».