論文の概要: Fast Design Space Exploration of Nonlinear Systems: Part I
- arxiv url: http://arxiv.org/abs/2104.01747v1
- Date: Mon, 5 Apr 2021 02:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:52:26.197634
- Title: Fast Design Space Exploration of Nonlinear Systems: Part I
- Title（参考訳）: 非線形システムの高速設計空間探索:その1
- Authors: Sanjai Narain, Emily Mak, Dana Chee, Brendan Englot, Kishore
Pochiraju, Niraj K. Jha, Karthik Narayan
- Abstract要約: 本稿では,ブラックボックスの新しい最適化手法であるCNMAを提案する。
CNMAはブラックボックス評価の数で保守的である。
出力を計算するためにブラックボックスの故障に耐性がある。
- 参考スコア（独自算出の注目度）: 4.240305361604918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: System design tools are often only available as blackboxes with complex
nonlinear relationships between inputs and outputs. Blackboxes typically run in
the forward direction: for a given design as input they compute an output
representing system behavior. Most cannot be run in reverse to produce an input
from requirements on output. Thus, finding a design satisfying a requirement is
often a trial-and-error process without assurance of optimality. Finding
designs concurrently satisfying multiple requirements is harder because designs
satisfying individual requirements may conflict with each other. Compounding
the hardness are the facts that blackbox evaluations can be expensive and
sometimes fail to produce an output due to non-convergence of underlying
numerical algorithms. This paper presents CNMA (Constrained optimization with
Neural networks, MILP solvers and Active Learning), a new optimization method
for blackboxes. It is conservative in the number of blackbox evaluations. Any
designs it finds are guaranteed to satisfy all requirements. It is resilient to
the failure of blackboxes to compute outputs. It tries to sample only the part
of the design space relevant to solving the design problem, leveraging the
power of neural networks, MILPs, and a new learning-from-failure feedback loop.
The paper also presents parallel CNMA that improves the efficiency and quality
of solutions over the sequential version, and tries to steer it away from local
optima. CNMA's performance is evaluated for seven nonlinear design problems of
8 (2 problems), 10, 15, 36 and 60 real-valued dimensions and one with 186
binary dimensions. It is shown that CNMA improves the performance of stable,
off-the-shelf implementations of Bayesian Optimization and Nelder Mead and
Random Search by 1%-87% for a given fixed time and function evaluation budget.
Note, that these implementations did not always return solutions.
- Abstract（参考訳）: システム設計ツールは、入力と出力の間の複雑な非線形関係を持つブラックボックスとしてのみ利用できる。
ブラックボックスは通常前方方向に動作し、入力として与えられた設計に対してシステム動作を表す出力を計算する。
ほとんどは逆実行できないので、出力の要求から入力を生成することができる。
したがって、要求を満たす設計を見つけることは、しばしば最適性を保証することなく試行錯誤のプロセスである。
個々の要求を満たす設計は互いに矛盾する可能性があるため、複数の要求を同時に満たす設計を見つけることは困難である。
難易度はブラックボックスの評価が高価であり、基礎となる数値アルゴリズムの非収束により出力が得られないという事実である。
本稿では,ブラックボックスの新しい最適化手法であるCNMA(Constrained Optimization with Neural Network, MILP solvers and Active Learning)を提案する。
ブラックボックスの評価では保守的である。
すべての設計は全ての要件を満たすことが保証されている。
出力を計算するためにブラックボックスの故障に耐性がある。
ニューラルネットワークのパワー、MILP、新たな障害からのフィードバックループを活用することで、設計問題の解決に関連するデザインスペースの一部のみをサンプリングしようとする。
この論文はまた、シーケンシャルバージョンよりもソリューションの効率と品質を向上させる並列cnmaも提示し、それを局所的なオプティマから遠ざけようとしている。
CNMAの性能は、8(2問題)、10、15、36、60の実数値次元、186の2値次元の非線形設計問題に対して評価される。
固定時間と関数評価の予算に対して,CNMAはベイズ最適化とNelder Meadとランダム検索の安定なオフザシェルフ実装の性能を1%～87%向上させることを示した。
なお、これらの実装は必ずしも解決策を返さない。
関連論文リスト
- Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update [0.09986418756990156]
本稿では,組合せ最適化(CO)問題を効率よく解くために,GNNのパワーを活用して,QRF-GNNと呼ぶ新しいアルゴリズムを提案する。
QUBO緩和による損失関数の最小化による教師なし学習に依存している。
実験の結果、QRF-GNNは既存の学習ベースアプローチを大幅に上回り、最先端の手法に匹敵することがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:34:35Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Polynomial-Model-Based Optimization for Blackbox Objectives [0.0]
ブラックボックス最適化は、事前定義された目的関数が最小化されるようなシステムに対して最適なパラメータを求める。
PMBOは目的関数にサロゲートを合わせることで最小値を求める新しいブラックボックスである。
PMBOは、与えられた人工的解析関数のセットに対して、他の最先端のアルゴリズムとベンチマークされる。
論文 参考訳（メタデータ） (2023-09-01T14:11:03Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳（メタデータ） (2022-11-16T18:59:54Z) - Design-Bench: Benchmarks for Data-Driven Offline Model-Based
Optimization [82.02008764719896]
ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。
本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。
私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
論文 参考訳（メタデータ） (2022-02-17T05:33:27Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Robot Design With Neural Networks, MILP Solvers and Active Learning [3.473645410959596]
本稿では,制約付きブラックボックス最適化問題の解法であるCNMAを提案する。
CNMAは、潜在的に高価なブラックボックス機能の評価において保守的である。
CNMAは,関数評価の基準値に対して,Nelder-Mead,Gaussian,Random Searchの最適化手法を超越していることを示す。
論文 参考訳（メタデータ） (2020-10-19T20:33:46Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T08:19:48Z) - Parallel Predictive Entropy Search for Multi-objective Bayesian
Optimization with Constraints [0.0]
実世界の問題は、しばしば複数の制約の下で複数の目的を最適化する。
本稿では,ブラックボックス関数の同時最適化のための情報ベースバッチ手法であるPESMOCを紹介する。
繰り返して、PESMOCはブラックボックスを評価するための入力場所のバッチを選択する。
論文 参考訳（メタデータ） (2020-04-01T17:37:58Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。