基于图表示学习的设计自动化材料预测
机器学习
2022-09-27 v1 计算机视觉与模式识别
摘要
成功的材料选择对于设计自动化中产品的设计与制造至关重要。设计者利用知识与经验，通过性能、可制造性和可持续性评估选择最合适的材料，从而创造高质量设计。智能工具可通过提供从先前设计中学到的推荐，帮助具有不同专长的设计者。为此，我们引入了一个图表示学习框架，支持装配体中零件的体级材料预测。我们将材料选择任务表述为CAD模型装配图表示上的节点级预测任务，并使用图神经网络(GNNs)加以解决。在Fusion 360 Gallery数据集上通过三种实验协议进行的评估表明了该方法的可行性，取得了0.75的top-3 micro-f1分数。所提框架可扩展至大型数据集，并将设计者的知识纳入学习过程。这些能力使该框架能够作为设计自动化的推荐系统以及未来工作的基线，缩小人类设计者与智能设计代理之间的差距。
引用
@article{arxiv.2209.12793,
title = {Material Prediction for Design Automation Using Graph Representation Learning},
author = {Shijie Bian and Daniele Grandi and Kaveh Hassani and Elliot Sadler and Bodia Borijin and Axel Fernandes and Andrew Wang and Thomas Lu and Richard Otis and Nhut Ho and Bingbing Li},
journal= {arXiv preprint arXiv:2209.12793},
year = {2022}
}
备注
IDETC-CIE 2022. Code available at https://github.com/danielegrandi-adsk/material-gnn