DDIM sampling for Generative AIBIM, a faster intelligent structural design framework

要約

成功した構造設計パイプラインである Generative AIBIM は、特定の物理的条件に合わせて調整された、高品質で多様かつ創造的な耐震壁設計をインテリジェントに生成できる能力を証明しています。
ただし、物理ベースの条件付き拡散モデル (PCDM) として知られる設計を生成する Generative AIBIM の現在のモジュールは、ノイズ除去拡散確率モデル (DDPM) サンプリング プロセスに依存しているため、世代ごとに 1000 回の反復が必要です。
これにより、時間がかかり、計算量の多い生成プロセスが必要になります。
この問題に対処するために、この研究では、PCDM の DDPM サンプリング プロセスに代わる高速生成方法である、ノイズ除去拡散陰的モデル (DDIM) を導入します。
元の DDIM は DDPM 用に設計されており、PCDM の最適化プロセスは DDPM の最適化プロセスとは異なりますが、この論文では、元の DDIM の定式化を PCDM の最適化プロセスに適応するように変更する「PCDM 用の DDIM サンプリング」を設計します。
実験結果は、PCDM の DDIM サンプリングにより、生成された結果の視覚的な品質を同じに維持しながら、元の PCDM の生成プロセスを 100 倍高速化できることを示しています。
この研究は、インテリジェントな構造設計の促進における PCDM に対する DDIM サンプリングの有効性を効果的に示しています。
さらに本稿では、DDIM の実践的な使い方を中心に、DDIM の内容を再整理します。
この変更は、機械学習理論の強力な背景は持たないが、ツールを効果的に利用することに興味がある研究者にとって特に意味があります。

要約(オリジナル)

Generative AIBIM, a successful structural design pipeline, has proven its ability to intelligently generate high-quality, diverse, and creative shear wall designs that are tailored to specific physical conditions. However, the current module of Generative AIBIM that generates designs, known as the physics-based conditional diffusion model (PCDM), necessitates 1000 iterations for each generation due to its reliance on the denoising diffusion probabilistic model (DDPM) sampling process. This leads to a time-consuming and computationally demanding generation process. To address this issue, this study introduces the denoising diffusion implicit model (DDIM), an accelerated generation method that replaces the DDPM sampling process in PCDM. While the original DDIM was designed for DDPM and the optimization process of PCDM differs from that of DDPM, this paper designs ‘DDIM sampling for PCDM,’ which modifies the original DDIM formulations to adapt to the optimization process of PCDM. Experimental results demonstrate that DDIM sampling for PCDM can accelerate the generation process of the original PCDM by a factor of 100 while maintaining the same visual quality in the generated results. This study effectively showcases the effectiveness of DDIM sampling for PCDM in expediting intelligent structural design. Furthermore, this paper reorganizes the contents of DDIM, focusing on the practical usage of DDIM. This change is particularly meaningful for researchers who may not possess a strong background in machine learning theory but are interested in utilizing the tool effectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google