論文の概要: A novel machine learning-based optimization algorithm (ActivO) for
accelerating simulation-driven engine design
- arxiv url: http://arxiv.org/abs/2012.04649v2
- Date: Mon, 4 Jan 2021 22:02:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:03:49.281709
- Title: A novel machine learning-based optimization algorithm (ActivO) for
accelerating simulation-driven engine design
- Title（参考訳）: シミュレーション駆動エンジン設計を高速化する新しい機械学習に基づく最適化アルゴリズム(activo)
- Authors: Opeoluwa Owoyele, Pinaki Pal
- Abstract要約: 提案手法は,弱い学習者と強い学習者の予測をアクティブな学習ループ内で活用するサロゲートに基づくスキームである。
ActivOは、グローバル最適に到達するために必要な機能評価の数を減らし、設計までの時間を80%削減します。
- 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 novel design optimization approach (ActivO) that employs an ensemble of
machine learning algorithms is presented. The proposed approach is a
surrogate-based scheme, where the predictions of a weak leaner and a strong
learner are utilized within an active learning loop. The weak learner is used
to identify promising regions within the design space to explore, while the
strong learner is used to determine the exact location of the optimum within
promising regions. For each design iteration, exploration is done by randomly
selecting evaluation points within regions where the weak learner-predicted
fitness is high. The global optimum obtained by using the strong learner as a
surrogate is also evaluated to enable rapid convergence once the most promising
region has been identified. First, the performance of ActivO was compared
against five other optimizers on a cosine mixture function with 25 local optima
and one global optimum. In the second problem, the objective was to minimize
indicated specific fuel consumption of a compression-ignition internal
combustion (IC) engine while adhering to desired constraints associated with
in-cylinder pressure and emissions. Here, the efficacy of the proposed approach
is compared to that of a genetic algorithm, which is widely used within the
internal combustion engine community for engine optimization, showing that
ActivO reduces the number of function evaluations needed to reach the global
optimum, and thereby time-to-design by 80%. Furthermore, the optimization of
engine design parameters leads to savings of around 1.9% in energy consumption,
while maintaining operability and acceptable pollutant emissions.
- Abstract（参考訳）: 機械学習アルゴリズムのアンサンブルを用いた新しい設計最適化手法(ActivO)を提案する。
提案手法は,弱い学習者と強い学習者の予測をアクティブな学習ループ内で活用するサロゲートに基づくスキームである。
弱い学習者は設計空間内の有望な領域を探索するために使用され、強い学習者は有望な領域内の最適位置を正確に決定するために使用される。
設計イテレーション毎に、弱い学習者予測のフィットネスが高い領域内で評価ポイントをランダムに選択することで探索を行う。
また、強学習者を代理として用いることで得られる大域的最適度を評価し、最も有望な領域が特定されれば、迅速な収束を可能にする。
まず,25の局所最適値と1つの大域最適値を持つコサイン混合関数において,ActivOの性能を他の5つのオプティマイザと比較した。
第2の問題は、圧縮着火内燃機関(IC)の特定の燃料消費を最小限に抑えつつ、気筒内圧力と排気に関する所望の制約に固執することであった。
提案手法の有効性は,エンジン最適化のために内燃機関のコミュニティで広く利用されている遺伝的アルゴリズムと比較され, ActivOはグローバルな最適点に到達するために必要な機能評価の数を削減し, 設計までの時間を80%削減することを示した。
さらに、エンジン設計パラメータの最適化は、運用可能性と許容される汚染物質排出を維持しながら、エネルギー消費量の約1.9%の節約につながる。
関連論文リスト
- Understanding Optimization in Deep Learning with Central Flows [53.66160508990508]
RMSの暗黙的な振る舞いは、微分方程式の「中央流:」によって明示的に捉えられることを示す。
これらのフローは、汎用ニューラルネットワークの長期最適化軌道を経験的に予測できることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:13Z) - Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳（メタデータ） (2024-03-05T14:18:15Z) - Beyond Single-Model Views for Deep Learning: Optimization versus
Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。
我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。
本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
論文 参考訳（メタデータ） (2024-03-01T14:55:22Z) - Characterization of Locality in Spin States and Forced Moves for
Optimizations [0.36868085124383626]
最適化問題において、エネルギーランドスケープにおける局所最小値の存在は、世界最小値を求めるために問題となる。
そこで我々は,局所最小値から効率よく抜け出すアルゴリズムを開発したが,正確なサンプリングは得られなかった。
提案アルゴリズムはリジェクションフリーなアルゴリズムに基づいているため,計算コストは低い。
論文 参考訳（メタデータ） (2023-12-05T07:21:00Z) - Finding the Optimum Design of Large Gas Engines Prechambers Using CFD
and Bayesian Optimization [5.381050729919025]
プレシャンバを用いた乱流噴流着火の概念は、大型ガスエンジンのリーン条件下で安定した燃焼を実現するための有望な解決策である。
大型ガスエンジンプリチャンバの設計および運転パラメータの幅が広いことから, 計算流体力学 (CFD) が好ましい。
本研究では,CFDシミュレーションを用いた大規模ガスエンジンプレチャンバ設計のベイズ最適化について検討した。
論文 参考訳（メタデータ） (2023-08-03T13:07:46Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - Application of Monte Carlo Stochastic Optimization (MOST) to Deep
Learning [0.0]
本稿では,著者らが提案したモンテカルロ最適化(MOST)をXORゲートの深層学習に適用する。
その結果,既存の方法よりも早く収束することが確認された。
論文 参考訳（メタデータ） (2021-09-02T05:52:26Z)
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。