Material Prediction for Design Automation Using Graph Representation Learning

要約

適切な材料選択は、設計自動化向けの製品の設計および製造において重要です。
デザイナーは、知識と経験を活かして、性能、製造可能性、サステナビリティの評価を通じて最適な材料を選択し、高品質のデザインを作成します。
インテリジェントなツールは、以前の設計から学んだ推奨事項を提供することで、さまざまな専門知識を持つ設計者を支援できます。
これを可能にするために、アセンブリ内のボディの材料予測をサポートするグラフ表現学習フレームワークを導入します。
CADモデルのアセンブリグラフ表現に対するノードレベルの予測タスクとして材料選択タスクを定式化し、グラフニューラルネットワーク（GNN）を使用してそれに取り組みます。
Fusion 360 ギャラリー データセットで実行された 3 つの実験的プロトコルの評価は、0.75 のトップ 3 マイクロ f1 スコアを達成して、私たちのアプローチの実現可能性を示しています。
提案されたフレームワークは、大規模なデータセットにスケーリングし、設計者の知識を学習プロセスに組み込むことができます。
これらの機能により、フレームワークは設計自動化の推奨システムおよび将来の作業のベースラインとして機能し、人間の設計者とインテリジェントな設計エージェントとの間のギャップを狭めることができます。

要約(オリジナル)

Successful material selection is critical in designing and manufacturing products for design automation. Designers leverage their knowledge and experience to create high-quality designs by selecting the most appropriate materials through performance, manufacturability, and sustainability evaluation. Intelligent tools can help designers with varying expertise by providing recommendations learned from prior designs. To enable this, we introduce a graph representation learning framework that supports the material prediction of bodies in assemblies. We formulate the material selection task as a node-level prediction task over the assembly graph representation of CAD models and tackle it using Graph Neural Networks (GNNs). Evaluations over three experimental protocols performed on the Fusion 360 Gallery dataset indicate the feasibility of our approach, achieving a 0.75 top-3 micro-f1 score. The proposed framework can scale to large datasets and incorporate designers’ knowledge into the learning process. These capabilities allow the framework to serve as a recommendation system for design automation and a baseline for future work, narrowing the gap between human designers and intelligent design agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google