論文の概要: Accelerating engineering design by automatic selection of simulation
cases through Pool-Based Active Learning
- arxiv url: http://arxiv.org/abs/2009.01420v2
- Date: Thu, 17 Sep 2020 01:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 08:12:12.262174
- Title: Accelerating engineering design by automatic selection of simulation
cases through Pool-Based Active Learning
- Title（参考訳）: プール型アクティブラーニングによるシミュレーションケースの自動選択によるエンジニアリング設計の高速化
- Authors: J.H. Gaspar Elsas, N.A.G. Casaprima, I.F.M. Menezes
- Abstract要約: 本稿では,オフショアライザー設計シミュレーションポートフォリオ全体の近似結果を提供するために,アクティブラーニング(アクティブラーニング)という手法の結果を示す。
その結果、オフショアライザー設計の大幅な高速化が期待できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common workflow for many engineering design problems requires the
evaluation of the design system to be investigated under a range of conditions.
These conditions usually involve a combination of several parameters. To
perform a complete evaluation of a single candidate configuration, it may be
necessary to perform hundreds to thousands of simulations. This can be
computationally very expensive, particularly if several configurations need to
be evaluated, as in the case of the mathematical optimization of a design
problem. Although the simulations are extremely complex, generally, there is a
high degree of redundancy in them, as many of the cases vary only slightly from
one another. This redundancy can be exploited by omitting some simulations that
are uninformative, thereby reducing the number of simulations required to
obtain a reasonable approximation of the complete system. The decision of which
simulations are useful is made through the use of machine learning techniques,
which allow us to estimate the results of "yet-to-be-performed" simulations
from the ones that are already performed. In this study, we present the results
of one such technique, namely active learning, to provide an approximate result
of an entire offshore riser design simulation portfolio from a subset that is
80% smaller than the original one. These results are expected to facilitate a
significant speed-up in the offshore riser design.
- Abstract（参考訳）: 多くのエンジニアリング設計問題に共通するワークフローでは、設計システムの評価をさまざまな条件下で行う必要がある。
これらの条件は通常、複数のパラメータの組み合わせを含む。
単一の候補構成の完全な評価を行うには、数百から数千のシミュレーションを実行する必要がある。
これは計算量的に非常に高価であり、特に設計問題の数学的最適化の場合のように、いくつかの構成を評価する必要がある場合である。
シミュレーションは非常に複雑であるが、多くのケースは互いにわずかに異なるため、一般的には高い冗長性が存在する。
この冗長性は、不均一なシミュレーションを省略することで、完全なシステムの合理的な近似を得るのに必要なシミュレーションの数を削減できる。
シミュレーションが有効な決定は、機械学習技術を用いて行われており、すでに実行されているシミュレーションから、"Yet-to-be-performed"シミュレーションの結果を推定することができる。
本研究では,そのような手法であるアクティブラーニング(active learning)の結果から,オフショアライザー設計のシミュレーションポートフォリオ全体について,従来のものよりも80%小さい部分集合から近似的な結果を得る。
これらの結果は、オフショアライザー設計における大幅なスピードアップを促進することが期待されている。
関連論文リスト
- Spatio-Temporal Surrogates for Interaction of a Jet with High
Explosives: Part I -- Analysis with a Small Sample Size [0.0]
高い爆発物と相互作用するジェットの2次元問題を用いて、高品質なサロゲートをどうやって構築できるかを理解する。
それぞれのシミュレーションから得られるベクトル値出力は200万以上の空間的位置で利用可能である。
我々は、これらの非常に大きなデータセットを分析し、分析に使用されるアルゴリズムのパラメータを設定し、時間的・時間的サロゲートの精度を向上させるために簡単な方法を用いる方法を示す。
論文 参考訳（メタデータ） (2023-07-03T23:10:23Z) - Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression [0.6021787236982659]
そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
論文 参考訳（メタデータ） (2022-11-16T02:31:57Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - Accelerating Part-Scale Simulation in Liquid Metal Jet Additive
Manufacturing via Operator Learning [0.0]
部分スケールの予測は多くの小規模シミュレーションを必要とする。
LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。
我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
論文 参考訳（メタデータ） (2022-02-02T17:24:16Z) - Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。
PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。
さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
論文 参考訳（メタデータ） (2021-10-20T17:06:09Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Reactive Long Horizon Task Execution via Visual Skill and Precondition
Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。
シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文 参考訳（メタデータ） (2020-11-17T15:24:01Z) - Analog Circuit Design with Dyna-Style Reinforcement Learning [12.232323973906773]
本稿では,アナログ回路設計における学習に基づくアプローチを提案する。
まず、ニューラルネットワークによって近似された性能の代理モデル(英語版)を学習し、必要なシミュレーション数の削減を図る。
第2に、制約を満たす多様なソリューション空間を探索するためにポリシージェネレータを使用し、その結果、ポリシーをトレーニングするために20,000の回路シミュレーションで適用されたモデルフリー手法と比較して、DynaOptは、わずか500のシミュレーションでスクラッチから学習することで、さらに優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-11-16T00:19:25Z) - Sequential design of multi-fidelity computer experiments: maximizing the
rate of stepwise uncertainty reduction [0.0]
我々は,多要素数値シミュレータにおける実験の逐次的設計について検討する。
我々は、段階的不確実性低減(MR-SUR)の最大率と呼ばれる新しいベイズ的シーケンシャル戦略を提案する。
MR-SURは、期待される不確実性の低減とシミュレーションコストとの比を最大化することにより、追加のシミュレーションを選択する。
論文 参考訳（メタデータ） (2020-07-27T13:34:12Z) - Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。
典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。
また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
論文 参考訳（メタデータ） (2019-12-31T19:00:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。