VIRL：基于体积信息的面向少样本制造性估计的表示学习
机器学习
2024-06-19 v1 计算机视觉与模式识别
摘要
为实现制造而设计面临重要挑战，主要原因是计算机辅助制造（CAM）仿真计算瓶颈。尽管深度学习作为替代方案提供快速推断，但其性能依赖于需要大量训练数据的前提。表示学习，特别是通过预训练，为数据有限的制造性任务提供了少样本学习的前景。本工作引入 VIRL，一种基于体积信息的表示学习方法，用于为 3D 几何编码器进行预训练。对预训练模型在四个制造性指标（获得自 CAM 仿真）：减法加工（SM）时间、增材制造（AM）时间、残余 von Mises 应力以及激光粉末熔化过程中刀具碰撞）进行评估。针对所有案例研究，VIRL 预训练的模型在演示改进的普遍性方面表现显著， limited data 时性能更优。关于部署策略，存在特定于案例的现象，其中对 limited data 的 AM 任务进行 fine-tuning 会产生不利影响，但有助于 SM 时间预测。此外，探讨了低秩适应（LoRA）的有效性，该方法在探测和 fine-tuning 之间取得平衡。LoRA 在 limited data 时表现稳定，类似于探测，但随数据大小增加可实现更高的上限，而无需 fine-tuning 的计算成本。 Furthermore, static normalization of manufacturing indicators consistently performs well across tasks, while dynamic normalization enhances performance when a reliable task dependent input is available.
引用
@article{arxiv.2406.12286,
title = {VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation},
author = {Yu-hsuan Chen and Jonathan Cagan and Levent Burak kara},
journal= {arXiv preprint arXiv:2406.12286},
year = {2024}
}