Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020197529 - INVERSE AND FORWARD MODELING MACHINE LEARNING-BASED GENERATIVE DESIGN

Publication Number WO/2020/197529
Publication Date 01.10.2020
International Application No. PCT/US2019/023527
International Filing Date 22.03.2019
IPC
G06F 17/50 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
17Digital computing or data processing equipment or methods, specially adapted for specific functions
50Computer-aided design
Applicants
  • SIEMENS AKTIENGESELLSCHAFT [DE]/[DE]
Inventors
  • VENUGOPALAN, Janani
  • SRIVASTAVA, Sanjeev
  • CHALUPKA, Krzysztof
  • STANISZEWSKI, Marcin
  • VILLENEUVE, Frederic
  • SLAVIN III, Edward
Agents
  • VENEZIA, Anthony L.
Priority Data
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) INVERSE AND FORWARD MODELING MACHINE LEARNING-BASED GENERATIVE DESIGN
(FR) CONCEPTION GÉNÉRATIVE BASÉE SUR L'APPRENTISSAGE AUTOMATIQUE D'UNE MODÉLISATION INVERSE ET DIRECTE
Abstract
(EN)
Machine-learned networks provide generative design. Rather than emulate the typical human design process, an inverse model is machine trained to generate a design from requirements. A simulation model is machine trained to recover performance relative to the requirements for generated designs. These two machine-trained models are used in an optimization that creates further designs from the inverse model output design and tests those designs with the simulation model. The use of machine-trained models in this loop for exploring many different designs decreases the time to explore, so may result in a more optimal design or better starting designs for the design engineer.
(FR)
Les réseaux appris par machine fournissent une conception générative. Plutôt que d'émuler le processus de conception humaine typique, un modèle inverse est appris par une machine afin de générer une conception à partir d'exigences. Un modèle de simulation est appris par machine pour récupérer les performances relatives aux exigences concernant les conceptions générées. Ces deux modèles appris par machine sont utilisés dans une optimisation qui crée d'autres conceptions à partir de la conception de sortie du modèle inverse et teste ces conceptions avec le modèle de simulation. L'utilisation de modèles appris par machine dans cette boucle permettant d'explorer de nombreuses conceptions différentes diminue le temps d'exploration, ce qui permet d'obtenir une conception plus optimale ou de meilleures conceptions de départ pour l'ingénieur d'études.
Latest bibliographic data on file with the International Bureau